3. En este ejercicio usaremos los datos empleados por F.

Vella (1993), “A Simple

Estimator for Simultaneous Modelswith Censored Endogenous Regressors,”
International Economic Review34, 441-457, que se encuentran en el fichero
S9_pension.gdt.

a. ¿Para qué porcentaje de trabajadores en la muestra pensiones igual a cero? ¿Cuál es el

rango de pensión para trabajadores con beneficios de pensión no iguales a cero? ¿Por
qué un modelo Tobit es apropiado para modelizar pensión?

Se obtiene en la base de datos 616 trabajadores, para ello existe una censura es
decir 172 trabajadores tienen una pensión de cero. Para ello los trabajadores con
pensiones inicia de 7,28 dólares hasta 288,30 dólares por lo tanto tenemos que no
contamos con solo 0 y 1 por lo tanto para poder realizar la estimación es necesario
utilizar el modelo Tobit.

b. Estima un modelo Tobit que explique pension en términos de exper(experiencia),

age(edad), tenure(antigüedad), educ(educación), depends (número de dependientes),
married (estado civil casado), white(blanco) y male(hombre). ¿Los hombres y los
blancos tienen prestaciones de pensión esperadas significativamente más altas?

VARIABLES pensión

exper 5.203
(6.010)
age -4.639
(5.711)
tenure 36.02***
(4.565)
educ 93.21***
(10.89)
depends 35.28
(21.92)
married 53.69
(71.74)
white 144.1
(102.1)
male 308.2***
(69.89)
Constant -1,252***
(219.1)
 Observations 616
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
Se observa que la variable hombre es significativa individualmente al 1% y la
variable blanca no es estadísticamente significativa como para explicar al modelo.

c. Usa los resultados de la parte b. para estimar la diferencia en las prestaciones de

pensión esperadas para los hombres blancos y para las mujeres no blancas, ambos con
35 años de edad, solteros sin dependientes, con 16 años de educación y con 10 de
experiencia y de antigüedad.

xβ=−1252+5,203(10) −4,639(35) +36,02(10) +93,21(16) +144,1+308,2 = 941,53

E(y|x) = 941,53×Φ (941,53/677,74) +677,74×φ (941,53/677,74) = 2249.52

Para una mujer no blanca de 35 años de edad, soltera sin dependientes, con 16 años de
educación y con 10 de experiencia y de antigüedad

Xβ=−1252+5,203(10) −4,639(35) +36,02(10) +93,21(16) = 489,23

E(y|x) = 489,23×Φ (489,23/677,74) +677,74×φ (489,23/677,74) = 842,38

La diferencia entre los dos grupos de individuos será 2249.52−842,38= 1406.14

d. Añade union (variable binaria igual a uno si pertenece a un sindicato) al modelo Tobit
y comenta sobre su importancia.

VARIABLES pension

exper 4.394
(5.831)
age -1.654
(5.556)
tenure 28.78***
(4.505)
educ 106.8***
(10.77)
depends 41.47*
(21.21)
married 19.75
(69.50)
white 159.3
(98.97)
male 257.2***
(68.02)
 union 439.0***
(62.49)
Constant -1,572***
(218.5)

Observations 616
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
La variable unión es estadísticamente significativa individual al 1%. Se aumenta
la pensión en un 4.52% (aproximadamente) si se incrementa la probabilidad de
perteneces a un sindicato 0,1 manteniendo constante el resto de los factores.

e. Estima el modelo Tobit de la parte d., pero con peratio, la ratio pensión-ingreso, como
la variable dependiente. (Observa que esta es una fracción entre cero y uno, pero que
nunca se acerca a la unidad. Por tanto, un modelo Tobit está bien como aproximación.)
¿El género o la raza tienen un efecto sobre la relación pensión-ingreso?

VARIABLES peratio

exper 0.000170
(0.000386)
age -0.000218
(0.000367)
tenure 0.00176***
(0.000302)
educ 0.00535***
(0.000717)
depends 0.000826
(0.00142)
married 0.00329
(0.00463)
white 0.00318
(0.00657)
male 0.00259
(0.00453)
union 0.0300***
(0.00419)
Constant -0.0551***
(0.0145)

Observations 616
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
4. a. Usando los datos del fichero S9_crimen.gdt, añade los regresores
adicionalespcnv2, ptime862einc862almodelo de regresión de Poisson estimado en la
dispositiva 34de la Sesión 9.1

VARIABLES narr86

pcnv 1.153***
(0.372)
avgsen -0.0256
(0.0280)
tottime 0.0122
(0.0232)
ptime86 0.684***
(0.0976)
qemp86 0.0230
(0.0362)
inc86 -0.0121***
(0.00179)
black 0.591***
(0.0994)
hispan 0.422***
(0.0924)
born60 -0.0929
(0.0800)
pcnv2 -1.795***
(0.430)
ptime862 -0.103***
(0.0161)
inc862 2.07e-05***
(5.03e-06)
Constant -0.710***
(0.0885)

Observations 2,725
Robust standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

b. Calcula la estimación de σ2dada porσ2=1n−k−1ni=1u2iyi. ¿Hay alguna evidencia de

sobre dispersión? ¿Cómo se deben ajustar los errores estándar de la EMV de Poisson?