Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral

TEMA 4. Modelos para Datos Censurados y de

Selección Muestral.

Profesor: Pedro Albarrán Pérez

Universidad de Alicante. Curso 2010/2011.

Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral

Contenido

1 Introducción

2 Modelo Tobit
Introducción
Estimación por Máxima Verosimilitud
Diferencias con una simple Regresión Lineal
Predicciones. Efectos Marginales
Limitaciones del Modelo Tobit

3 Modelos en Dos Partes

4 Modelos de Selección Muestral

El Problema de Selección Muestral para la Inferencia Causal
Modelo de Truncamiento Incidental
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral

Variables Censuradas y Truncadas

En ocasiones sólo se observan los verdaderos valores de una variable
de interés para una parte de la muestra disponible

Los modelos de selección muestral constituyen una especialmente

importante generalización de estos modelos.

Variables Censuradas: para algunas observaciones, sólo se sabe que

la variable es mayor (o menor) que un valor
censura por la derecha (o superior)

Y = YU , , Y∗ < U
∗ si
si Y ∗ > U

censura por la izquierda (o inferior)


Y = YL, , Y∗ > L
∗ si
si Y ∗ 6 L

La censura puede producirse por diversos motivos:

resulta del proceso de recogida de datos

se puede interpretar como solución de esquina en una decisión
económica
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral

Variables Truncadas: la muestra excluye observaciones censuradas.

en el caso de censura por la derecha (o superior)

Y = Y∗ si Y
∗
<U
en el caso de censura por la izquierda (o inferior)

Y = Y∗ si Y
∗
>L

La censura/truncamiento puede considerarse como una situación en

que falta información (completa) sobre la variable dependiente
∗
comparada con observar plenamente Y

En algunos casos el valor de censura es desconocido o diferente para

cada individuo.
Formalmente, la variable observada Y resulta de una mixtura de
∗
un proceso latente continuo Y
un mecanismo de selección (censura o truncamiento), modelizado en
forma binaria

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

Modelo Tobit: especicación

∗
Variable latente Y

∗
Yi = β0 + β1 X1i + · · · + βk Xki + Ui (1)
2

Ui |X1i , . . . , Xki ∼ N 0, σ (2)

Variable observada Y (censurada inferiomente en cero)

Yi = max {0, Yi∗ } = max {0, β0 + β1 X1i + · · · + βk Xki + Ui }

la generalización a censura superior y/o a que el punto de censura

sea distinto de cero son triviales
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Introducción

Alternativamente, se puede representar como


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

Existen dos tipos de observaciones:

las no censuradas (que coinciden con la variable latente)
las censuradas (con un único valor).
La función de densidad debe denirse por partes:

f y x
( i| i) = i|i ,
∗


f y x si i =1 D
Y
Pr ( i = 0| i ) , si i = 0 x D
o también
f (yi |xi ) = [f (yi∗ |xi )]Di [Pr (Yi = 0|xi )]1−Di

i = Xi β + Ui
∗ 0
Por simplicidad Y

Por el supuesto de normalidad del termino de error

f y x
( i∗ | i ) = √
1

1  ∗
exp − 2 i − i0 β
2 
=φ iβ
 0 
y X X
2πσ2 2σ σ

Si D i = 0, la variable latente debe ser menor o igual que cero:

−Xi0 β
Pr (Y = 0|x ) = Pr (Y ∗ 6 0) = Pr (U 6 −X 0 β) = Φ
 
i i i i i σ

= 1−Φ

Xi0 β 
σ
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Estimación por Máxima Verosimilitud

La contribución a la verosimilitud de una observación cualquiera

(censurada o no)

f (yi |xi ) =

φ

Xi0 β Di 1 − Φ  Xi0 β 1−Di
σ σ

La función de log-verosimilitud será

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

Los valores que maximicen esta función serán nuestra estimación de

los parámetros

la optimización no tiene fórmula analítica cerrada

Nota: en el modelo Tobit, a diferencia del modelo probit, sí se puede

identicar la varianza del error σ2
con datos binarios, no existe suciente variabilidad en la variable
dependiente
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Diferencias con una simple Regresión Lineal

Un modelo de regresión lineal ignorando que hay observaciones

censuradas ofrece una estimación sesgada

porque considera los valores censurados como observaciones iguales

al resto
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Diferencias con una simple Regresión Lineal

¾Se pueden ignorar los valores censurados para estimar?

E [Yi |X ] = E [Yi |X , Yi > 0] Pr (Yi > 0)
donde
φ Xi0 β/σ
E [Yi |X , Yi > 0] = Xi0 β + σλ Xi0 β/σ
= Xi0 β + σ Φ

X β/σ

0
i
Pr (Yi > 0) = Φ Xi0 β/σ

Utilizar sólo observaciones no censuradas también ofrece, en general,

estimaciones sesgadas
se omite λ (Xi0 β/σ) que estará correlacionado con las X i
Además,
1 se pierden observaciones con información relevante
a menor tamaño muestral, mayores errores estándar de las
estimaciones
2 en ocasiones no se observa el punto de censura

El problema con variables censuradas NO está en la falta de

observabilidad, sino en una incorrecta especicación

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

Predecir una variable censurada supone

predecir si la variable dependiente está censurada o no

predecir su valor, si no está censurada

Para un modelo Tobit se necesita simplemente predecir el índice

lineal
b i = Xi0 β
ω b=β b 1 X1i + · · · + β
b0 + β b k Xki

El valor de la variable dependiente observada en la parte no

censurada es:

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

Para los modelos censurados, existen varios efectos marginales de interés

El efecto marginal sobre la variable latente:

E Yi∗ |X1i , . . . , Xki

δ
= βk
δXki

no muy relevante porque se observa Y i

El efecto marginal sobre la probabilidad de censura:

Yi = 0|X1i , . . . , Xki ) = δ Pr (Di = 0|X1i , . . . , Xki ) = −β φ (ω )

δ Pr (
δXki δXki k i
donde ωi = β0 + β1 X1i + · · · + βk Xki es el índice lineal.

El efecto marginal sobre la variable truncada (sólo sobre

observaciones no censuradas)

δ ( E Yi |X1i , . . . , Xki , Yi > 0) = h1 − ω λ (ω ) − λ (ω )2 i β

δXki i i i k
donde λ (ωi ) = φ (ωi ) /Φ (ωi ) es la inversa del ratio de Mills.
El efecto marginal sobre la variable censurada (sobre observaciones
censuradas y no censuradas):

E Yi |X1i , . . . , Xki ) = Φ (ω ) β
δ (
δXki i k
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Efectos Marginales

Según las cuestiones relevantes, estaremos interesado en todos o

sólo en algunos de esos efectos marginales

Los efectos marginales pueden calcularse de varias formas

evaluado en algún valor relevante de las variables explicativas

evaluado en la media de las variables explicativas
obteniendo la distribución de efectos marginales evaluados en sus
valores observados de cada individuo
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Limitaciones del Modelo Tobit

Generalizaciones triviales del modelo Tobit

Se pueden considerar más de un punto de censura (censura superior
e inferior simultáneas)
Se puede modelizar el índice lineal con variables explicativas
transformamadas no linealmente
log X2 , i β1 X1i + β2 X12i , β1 X1 + β2 X1i X2i , etc.

La variable dependiente puede haber sido transformada

∗
Y no será normal y se necesita conocer su distribución (para escribir
la verosimilitud, calcular la probabilidad de censura, etc. )
el modelo Tobit para datos log-normales:

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

donde γ es el punto de censura.

∗
i
Nota: se dice que Y sigue una distribución log-normal, si su
∗
i
logaritmo ln Y sigue una distribución normal.
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Limitaciones del Modelo Tobit

Problemas del modelo Tobit

El modelo Tobit depende crucialmente de los supuestos de

normalidad y homocedasticidad del término de error

en el modelo de regresión lineal, independientemente de esos

supuestos el estimador de MCO es consistente y se pueden calcular
errores estándar robustos

en el modelo Tobit, la estimación e inferencia es inválida si alguno de

los dos supuestos es incorrecto

Además impone el mismo mecanismo para determinar la

probabilidad de censura y el valor de las observaciones no censuradas

Los determinantes de la decisión de comprar pueden ser distintos de

los que explican su valor (ej., tener un contrato indenido en la
compra de una casa)
La misma variable puede tener diferentes impactos sobre cada una de
ellas (ej. la edad en la adquisición de seguro de vida)
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Especicación de un Modelo en Dos Partes

Modelo en dos partes

Se dene un indicador de censura:

Di = 1, si Yi > 0
0, si Yi = 0
1 La primera parte es un modelo probit o logit:

1, si γ0 + γ1 W1i + · · · + γq Wqi + i > 0
D i= (5)
0, en caso contrario

donde i sigue una distribución normal (probit) o logística (logit)

2 La segunda parte especica la esperanza condicional de la variable

NO censurada

Y i = exp (β0 + β1 X1,i + · · · + βk Xk ,i + Ui ) si D i =1 (6)

i
E (U |X1 i , . . . , Xki ) = 0 (7)

Notad que la expresión (6) equivale a

ln Yi = β0 + β1 X1,i + · · · + βk Xk ,i + Ui si Di = 1
Las ecuaciones (6) − (7) implican
2
E (Yi |Di = 1, Xi ) = exp X Xk ,i + σ2

β0 + β1 1,i + · · · + βk (8)
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Diferencias con el modelo Tobit

El modelo en dos partes

1 No está denido en función de ninguna variable latente

todas las ecuaciones del modelo se reeren directamente a variables

observables.

2 No impone que las mismas variables y con el mismo coeciente

i
determinen tanto Y como la censura D i
3 Tampoco impone el mismo término de error para ambas ecuaciones

U yi i pueden ser distintos y con distribuciones diferentes

serán, en general independientes entre sí

4 Sólo se supone que U en i (7) es independiente en media de las

variables explicativas

no se supone toda la distribución con el Tobit

Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Diferencias con el modelo Tobit

El modelo en dos partes es más exible, tanto en sus supuestos

como en el número de parámetros

Si las restricciones del modelo Tobit son correctas, resulta más

eciente estimarlo

pero no siempre pueden compararse ambos modelos

Un modelo en dos partes con el supuesto adicional de normalidad sí

es una generalización del modelo Tobit para datos log-normales

este modelo en dos partes una formulación más general dentro de la

misma clase de modelos
como ambos modelos están anidados, se puede contrastar si el resto
de restricciones del modelo Tobit son correctas

Se tiene que realizar un contraste de ratio de verosimilitudes entre

ambos modelos

se comprueba si las mismas variables y con el mismo coeciente

están en la ecuación de censura y en la de valores no censurados
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Estimación, Predicciones y Efectos Marginales

La estimación pude hacerse por separado (cada parte con sus propias
variables y supuestos distribucionales) o conjuntamente (en general,
suponiendo elementos en común)

los modelos en dos partes pretenden evitar la complejidad de la

estimación conjunta,
pero ésta facilita algunos constrastes de hipótesis: relaciones entre
los coecientes de la primera y de la segunda parte del modelo

Existen tres magnitudes que se pueden querer predecir.

1 La probabilidad de censura, cuya predicción puede obtenerse

directamente de la estimación de la primera parte del modelo
2 El valor predicho de las observaciones no censuradas se obtiene
directamente de la estimación de la segunda parte del modelo
3 El valor predicho de las observaciones (censuradas o no),
E (Y |Xi i , Wi ) , incorpora ambas expresiones previas.

Asimismo, nos interesan los tres efectos marginales relacionados con

estas magnitudes

Notad que aquí no existe ninguna variable latente que predecir, ni

para la cual estimar efecto marginal.
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Limitaciones

Una de las principales ventajas del modelo en dos partes reside en

que puede estimarse cada parte por separado.

El supuesto clave para esto es la independencia entre los términos de

error de cada ecuación i i
y U .

Sin embargo, existen situaciones en que este supuesto no es realista

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

Problemas de Selección Muestral

Los problemas de Selección de Muestral son habituales con datos

observacionales

Selección Muestral NO Aleatoria

Diseño inadecuado de la encuesta (recogida de datos)

Falta de respuesta selectiva de los individuos

Truncamiento incidental: no se observa una variable Y debido al

resultado de otra variable

Ej.: oferta salarial en función de educación, etc.... sólo para los que
trabajan

Atrition en datos de panel: individuos no observados en periodos

posteriores por razones relacionadas con el estudio

Ej.: programa de formación

Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
El Problema de Selección Muestral para la Inferencia Causal

Selección Muestral Exógena vs. Endógena

Selección Muestral Exógena o basada en las variables independientes

(explicativas):

selección basada en factores independientes del término de error

=⇒MCO consistente

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 )]

Selección Muestral Endógena o basada en la variable dependiente:

Ej.: Tobit, MCO sesgado

Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Modelo de Truncamiento Incidental

Modelo de Truncamiento Incidental

∗
Una variable latente de interés (similar a Tobit) Y i
Sólo se observa Y i = Yi∗ si otra variable latente (diferente) supera
∗
un umbral D > 0 i
ECUACIÓN DE SELECCIÓN

∗
Di =
1, si Di >0
∗
0, si Di 6 0

ECUACIÓN DE RESULTADOS (variable de interés)


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

Truncamiento Incidental (2)

Supuestos
Modelo Lineal (con errores aditivos) para variables latentes

∗
Di = γ0 + γ1 W1i + · · · + γq Wqi + U1i
∗
Yi = β0 + β1 X1i + · · · + βk Xki + U2i

errores posiblemente correlacionados

∗ ∗
modelo Tobit: un caso especial cuando D i = Yi (sólo una ecuación)

Normalidad conjunta y Homocedasticidad de los errores

correlacionados

U1i
     
0 1 σ12
|Wi , Xi ∼ N ,
U2i 0 σ12 σ22

la varianza σ21 = 1 está normalizada a 1, como en el probit: sólo se

∗
observa el signo de D i
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Sesgo de MCO. Estimación en Dos Etapas

Estimación por MCO

La esperanza condicional de la variable de interés (observada,
truncada):

E (Yi |Xi , Wi , Di = 1) = β0 +β1 X1i +· · ·+βk Xki +E (U2i |Xi , Wi , Di = 1)

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:

E (U2i |Xi , Wi , Di = 1) = ρλ (ω1i )

donde

ω1i = γ0 + γ1 W1i + · · · + γq Wqi

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

E (Yi |Xi , Wi , Di = 1) = β0 + β1 X1i + · · · + βk Xki

ρλ γ0 + γ1 W1i + · · · + γq Wqi


+

¾Qué sucede si estimamos por mínimos cuadrados ordinarios la

i
ecuación Y en función de las variables X ? i
Yi = π0 + π1 X1i + · · · + πk Xki + i
??
bj → βj
π

Si ρ 6= 0, la selección muestral es importante y el estimador MCO

estará sesgado

por la omisión de una variable relevante λ (ω1i )

correlacionada con las variables explicativas X i
Tampoco se puede incluir directamente λ (ω1i ) porque los
parámetros γ en ω1i NO son conocidos
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Sesgo de MCO. Estimación en Dos Etapas

Estimación en Dos Etapas

El procedimiento de Estimación en Dos Etapas para la corrección de
sesgo por Selección Muestral es:
1 Estimar inicialmente sólo la ecuación de selección (Probit) para toda
la muestra

i = 1|Wi ) = Pr (Di∗ > 0|Wi ) = Φ γ0 + γ1 W1i + · · · + γq Wqi

Pr (D

se puede predecir para cada individuo el valor del índice lineal

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

Yi = δ0 + δ1 X1i + · · · + δk Xki + δk +1bλi + εi

Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Sesgo de MCO. Estimación en Dos Etapas

Estimación en Dos Etapas (2)

La estimación por MCO sí es consistente

δj
b → βj , j = 1, . . . , k
δk +1
b → ρ

Se puede contrastar fácilmente si existe selección muestral H0 :ρ=0

Sin embargo, la estimación en dos etapas NO es eciente:

estimando conjuntamente las dos ecuaciones la varianza de los

parámetros estimados es menor

Además, los errores estándar de MCO no están adecuadamente

calculados:

necesitan una corrección (distinta y más compleja que calcular

errores estándar robustos)
para controlar que se utiliza una variable predicha bλi en lugar de una
realmente observada
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Estimación Conjunta por Máxima Verosimilitud

Estimación Conjunta (Máxima Verosimilitud)

Para un individuo, debemos calcular la probabilidad de observar
conjuntamente tanto la variable de selección Di como la variable de
resultado Y i

f (yi , di |Wi , Xi ) =
Pr (Di = 0|Wi ) , si Di =0
Pr (Di = 1|Wi ) f (yi |Xi , Di = 1) , si Di = 1

La función de verosimilitud para todos los parámetros es:

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

La estimación conjunta del modelo de truncamiento incidental

explota el supuesto de normalidad conjunta de los errores

Esto permite escribir la forma concreta de la función de

(log-)verosimilitud
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Identicación del Modelo

Limitaciones del Modelo de Truncamiento Incidental

Supuestos cruciales para la estimación del modelo: normalidad

conjunta y homocedasticidad

Si estos supuestos no son ciertos, las estimaciones no son

consistentes

Incluso en la estimación en dos etapas:

Yi = δ0 + δ1 X1i + · · · + δk Xki + δk +1bλi + εi

el término de corrección por selección muestral aditivo

λi = λ (γ0 + γ1 W1i + · · · + γq Wqi )

depende, en su expresión-forma funcional, del supuesto de normalidad

φ (z )
λ (z ) =
Φ (z )
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Identicación del Modelo

Limitaciones (2)

Sin normalidad, se tendrá (en muchas ocasiones) que

E (Yi |Xi , Wi , Di = 1) = β0 + β1 X1i + · · · + βk Xki

γ0 + γ1 W1i + · · · + γq Wqi


+ g

la función g (•) no está restringida a ser la inversa del ratio de Mills

Pero esta formulación no es completamente general:

el término de corrección por selección muestral aparece aditivamente

g (•) está restringida a depender del índice lineal de la ecuación de
selección

Problema: no se conoce la forma concreta de g (•), a menos que

hagamos otro supuesto sobre la distribución conjunta de los errores
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Identicación del Modelo

Identicación

Cuando W i = Xi , existen problemas de adecuada identicación

general del modelo

Aunque g (•) sea una función no lineal, se puede aproximar

linealmente y/o

g (γ0 + γ1 W1i + · · · + γq Wqi ) estará correlacionado con las X (oi

alguna de ellas)

Esto supone un problema porque

puede existir multicolinealidad entre la corrección g (ω1i ) y las

variables explicativas X i
no está claro si g (ω1i ) realmente recoge el efecto de selección
muestral o un término polinomial (omitido) de las variables X i

Una forma concreta de g (•) sólo es creíble cuando X i = Wi si

también aceptamos el supuesto distribucional que genera dicha
forma funcional concreta.
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Identicación del Modelo

Identicación (2)

La adecuada identicación del modelo requiere que las variables X i

sean un subconjunto de las variables W i
1 i
Todas las variables X se incluyen en la ecuación de selección (Probit)
2 Restricciones de exclusión: algunas variables W i (instrumentos ) no
se incluyen en la ecuación de resultados para Y (Lineal) i
Las restricciones de exclusión permiten una variación adicional en
g (ω1i ), distinta de la variación de las X i
evita confundir g (ω1i ) i
con las variables X o funciones de ésta
el modelo de selección es más creíble incluso si no se acepta el
supuesto distribucional: g (•) será una buena aproximación a al
verdadera forma funcional de la corrección

PERO las restricciones de exclusión no son contrastables: se deciden

a priori y si no son ciertas el modelo estimado estará sesgado.
La teoría económica (o algún razonamiento) debería guiar qué
variables pueden afectar la selección, pero no el resultado
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Predicciones y Efectos Marginales

Predicciones y Efectos Marginales

En esencia, no existen diferencia con lo que ya sabemos para otros

modelos.

Según nuestro interés, se puede querer predecir:

la probabilidad de selección (ecuación probit)

el valor de la variable de interés truncada (ecuación con corrección)
el valor de la variable latente de interés
alguna combinación de las anteriores

También según el caso, puede interesarnos los efectos marginales

asociados a cada una de las expresiones anteriores

En todos los casos, se necesita una adecuada estimación

(consistente, no sesgada) de los parámetros relevantes.