Machine Translated by Google

Capítulo  6:

Mercados  de  Bienes  Homogéneos  I:  Consideramos  solo  el

lado  de  la  demanda

Cuestiones  generales  sobre  la  especificación  del  modelo  para  la  demanda:  Rincón

Soluciones  y  modelos  de  selección

Prof.  Yolanda  Rebollo  Sanz

Mercados,  Estrategias  y  Regulación
Grado  en  Análisis  Económico
Universidad  Pablo  de  Olavide
Machine Translated by Google

Vosotros  como  
economistas  sois  
mas  que  solo  una  
persona  que  “trata”  
datos,  vosotros  los  
“analizais”
Machine Translated by Google

Describir

Introducción:  Motivación: .  Error  de  especificación  Problema:  Omisión  de
variables?  ¿O  problemas  de  selección  de  selección  de  muestras?

1.  Introducción:  Corner  Solutions:  análisis  de  la  demanda  del  consumidor  cuando  se  produce  el  
consumo  cero

1.1  El  concepto  de  censura  y  truncamiento
2  Modelo  Econométrico  para  Soluciones  de  Rincón:  modelo  de  demanda  del  consumidor

3
Machine Translated by Google

1.  Soluciones  de  esquina:

Análisis  de  la  Demanda  del  Consumidor  cuando  Consumo  Cero
Ocurre

.08
Gasto  en  Cerveza:  Todos

.06

Densidad
.04  

.02

0
0 20 40   60 80 100
gtot_cer
Machine Translated by Google

1.  Corner  Solutions:  modelo  de  demanda  del  consumidor

  Un  modelo  conductual  (teórico):  problema  de  maximización  de  la  utilidad  con  una  
restricción  de  no  negatividad  (restricción  presupuestaria).

     nivel  deseado  de  consumo  del  Bien  “j”

Pero  el  individuo  también  enfrenta  restricciones  presupuestarias:  no  siempre  se  alcanza  el  
nivel  deseado  de  consumo  del  bien  “j”

Dadas  las  “preferencias  ( )”,  ingresos,  precios,  etc.,  la  elección  óptima  podría  ser  no  comprar  el  Bien  
“j” { ~  preferencias  y  otros  determinantes  no  observados}

  El  Modelo  Empírico:  ¿Qué  información  podemos  utilizar  para  estimar  la  demanda  en  relación  
a  los  ingresos/precios…
  ¿ Qué  se  observa?:

  Nivel  observado  de  consumo  del  Bien  “j”

  =  umbral

5
Machine Translated by Google
1.  Corner  Solutions:  modelo  de  demanda  del  consumidor

  Resultados  de  la  solución  de  esquina  
(variable  censurada),  donde  la  variable  que  nos  
gustaría  explicar  se  acumula  en  uno  o  dos
esquinas

  El  rango  de  la  variable  dependiente  (continua)  está  
restringido.

.08
Gasto  en  Cerveza:  Todos Por  ejemplo,  es  cero  para  muchas  
observaciones.
.06

Gastos  en  bienes  duraderos:  considere  el  gasto  
anual  de  los  hogares  en  un  artículo  duradero,  como  un  
automóvil  nuevo.  Es  casi  seguro  que  una  
Densidad
.04  

.02
encuesta  transversal  revelaría  una  proporción  
significativa  de  hogares  con  gasto  cero  y  el  resto  con  
0
un  nivel  de  Gasto  positivo.
0 20 40   60 80 100
gtot_cer

En  otras  palabras,  la  muestra  de  consumidores  será  
una  mezcla  de  observaciones  con  valores  cero  y  
positivos.

  Por  ejemplo,  gastos  óptimos  en  tabaco,  dado
las  preferencias  del  hogar.
6
Machine Translated by Google

1.  Corner  Solutions:  modelo  de  demanda  del  consumidor

  Resultados  de  la  solución  de  esquina  (variable  censurada),  donde  la  variable  
que  nos  gustaría  explicar  se  amontona  en  una  o  dos  esquinas.

.08
Gasto  en  Cerveza:  Todos

.06

Densidad
.04  

.02

0
0 20 40   60 80 100
gtot_cer

7
Machine Translated by Google

1.1  El  concepto  de  censura  y  
truncamiento

Si  ignoramos  el  truncamiento  o  la  censura  al  analizar  nuestros  
datos,  nuestras  estimaciones  de  los  parámetros  de  población  
serán  inconsistentes.
Machine Translated by Google

1.1  Soluciones  de  esquina:  censura  y  truncamiento

El  truncamiento  o  censura  ocurre  durante  el  proceso  de  muestreo.

El  truncamiento  y  la  censura  son  dos  fenómenos  distintos  que  hacen  que  nuestras  muestras
ser  incompleto

truncamiento censurando

9
Machine Translated by Google

1.1  Soluciones  de  esquina:  censura  y  truncamiento

  Truncamiento  o  censura  ocurre  durante  el  proceso  de  muestreo.

Comencemos  definiendo  truncamiento  por  la  izquierda  y  censura  por  la  izquierda:

Nuestros  datos  se  truncan  a  la  izquierda  cuando  los  individuos  por  debajo  de  un  umbral  “κ”  no  están  
presentes  en  la  muestra:  por  ejemplo,  al  analizar  los  ingresos  utilizando  datos  fiscales,  el  ingreso  
variable  se  trunca  para  aquellos  que  no  tienen  que  pagar  el  ingreso  personal  txx.

Nuestros  datos  están  censurados  a  la  izquierda  en  un  umbral  “κ”  si  todos  los  individuos  con  un  valor  
inferior  a  κ  están  presentes  en  la  muestra,  pero  se  desconoce  el  valor  real:  por  ejemplo,  al  analizar  la  
demanda,  la  demanda  “deseada”  de  un  producto  es  desconocido  para  los  que  no  consumen  y  el  
consumo  se  acumula  a  cero.

Nos  centramos  aquí  en  el  truncamiento  por  la  izquierda  y  la  censura  por  la  izquierda,  pero  los  conceptos  que  
podemos  generalizar  a  todos  los  tipos  de  censura  y  truncamiento:  derecha,  izquierda  e  intervalo.

Al  realizar  estimaciones  con  datos  truncados  o  censurados,  necesitamos  utilizar  herramientas  que  den  cuenta  de  
ese  tipo  de  datos  incompletos.

Si  ignoramos  el  truncamiento  o  la  censura  al  analizar  nuestros  datos,  nuestras  estimaciones  de
los  parámetros  de  la  población  serán  inconsistentes.

10
Machine Translated by Google

2.  Modelo  econométrico  para  Corner  
Solutions:  modelo  de  demanda  del  consumidor
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  El  Modelo  Empírico:  ¿Qué  se  observa?:

Al  estudiar  las  decisiones  de  compra  podemos  encontrarnos  con  problemas  de  selección  
endógena  –no  aleatoria­  de  la  muestra:  La  intuición:  algunos  argumentos

Esto  plantea  dos  preguntas  clave:

1.  ¿Cuáles  son  los  determinantes  para  decidir  consumir  una  cantidad  positiva  del  bien?:  
margen  extensivo  (comprar  o  no  comprar)
2.  ¿Cuáles  son  los  determinantes  para  decidir  una  determinada  cantidad  positiva  del  bien?:  
margen  intensivo  (cuánto  comprar)
Demanda  en  el  margen  extensivo  (comprar  o  no  comprar)  fundamentalmente  diferente  del  
comportamiento  en  el  margen  intensivo  (¿cuánto  comprar)?.
  Las  preferencias  individuales  vincularon  ambas  decisiones  {problemas  de  endogeneidad}

»  Si  los  individuos  tomaran  la  decisión  de  participación  (comprar  o  no  comprar)  al  azar,  podríamos  ignorar  que  no  todos  los  precios  son
observado  y  use  la  regresión  ordinaria  para  ajustar  un  modelo  de  demanda.

»  Sin  embargo,  es  poco  probable  que  tal  suposición  de  participación  aleatoria  sea  cierta;

»  Es  poco  probable  que  las  personas  que  enfrentan  precios  altos  opten  por  comprar  y,  por  lo  tanto,  la  muestra  de  demanda  observada  está  sesgada.

»  Es  poco  probable  que  las  personas  con  bajos  ingresos  opten  por  comprar  y,  por  lo  tanto,  la  muestra  de  demanda  observada  es
sesgado.

12
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  El  Modelo  Empírico:  ¿Qué  se  observa?:

Al  estudiar  las  decisiones  de  compra  podemos  encontrarnos  con  problemas  de  selección  de  muestras  
endógenas  –no  aleatorias:  La  intuición:  algunos  argumentos
  La  ecuación  de  demanda  describe  la  cantidad  del  bien  comprado  por  la  submuestra  de  individuos  que  decide  comprar  el  bien  
“j”.

  Si  el  individuo  decide  comprar  el  bien  “j”  entonces  el  econometrista  observa  Q , PAG
, Yo  Entonces,  por  tess
individuos,  podemos  definir  una  relación  entre  Q  y  P  e  I

»  Los  precios  del  bien  “j”  solo  se  observan  para  aquellos  que  deciden  comprar  el  bien  “j”:  Observamos  “Q”  y  “P”  para  un  subconjunto  de  
la  población     la  muestra  de  individuos  “observada”  se  trunca/censura  porque  depende  de  otras  variables,  que  influyen  en  la  
decisión  de  comprar  o  no  el  bien.

»  También  puede  ser  posible  que  la  Renta  también  se  observe  solo  para  quienes  compran  el  bien  “j”

  si  el  individuo  no  compra  el  bien  “j”,  el  econometrista  no  observa  el  precio  que  enfrenta  ese  individuo  {P}  y  tal  vez  tampoco  el  
ingreso.

13
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  El  Modelo  Empírico:  ¿Qué  se  observa?:

¿Los  individuos  de  la  submuestra  de  consumidores  tienen  las  mismas  características  que  la  submuestra  
de  no  consumidores?

14
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  General  –modelo  teórico­

Usando  MCO  obtenemos

Supuestos  que  necesitamos  interpretar  =
A1:  El  modelo  de  regresión  lineal  es  “lineal  en  parámetros”.  
A2:  Hay  un  muestreo  aleatorio  de  observaciones.  
A3:  La  media  condicional  debe  ser  cero:  E( / )=E( )=0.
  Condición  de  Exogeneidad
  Problema  de  omisión  de  variables  relevantes

A4:  No  hay  multicolinealidad  (o  colinealidad  perfecta).   A5.  
Errores  esféricos:  Hay  homocedasticidad  y  no  hay  autocorrelación   A6:  
Supuesto  opcional:  Los  términos  de  error  deben  tener  una  distribución  normal  (gaussiana).

  La  suposición  crucial  en  OLS  es  que  el  valor  promedio  de  “ ”  no  depende  del  valor  
de  “I”.  E[ /I]=0
¿Los  individuos  de  la  submuestra  de  consumidores  tienen  las  mismas  características  que  
la  submuestra  de  no  consumidores?

15
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  La  estimación  de  las  funciones  de  demanda  debe  tener  en  cuenta  el  “tipo”  de
Bien  analizado
  El  Modelo  Empírico:  ¿Qué  se  observa?:

  

.  *Modelo  1:  decisión  de  consumo  de  cerveza.  *Dummys  que  
identifican  al  hogar  que  consumen  cerveza  frente  al  que  no  consumen.  tab  consumidor,  faltante //1  hogar  que  consume  
cerveza  ­  0  hogar  que  no  consume

consumidor frecuencia Por  ciento Semen.

0 10.817   57.15 57.15

1 8.112 42.85 100.00

Total 18,929 100.00

.  suma  consumidor

Variable Obs. Significar estándar  desarrollador mínimo máx.

consumidor 18,929 .4285488 .4948815 0 1

dieciséis
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  La  estimación  de  las  funciones  de  demanda  debe  tener  en  cuenta  el  “tipo”  de
Bien  analizado
  El  Modelo  Empírico:  ¿Qué  se  observa?:

.08
Gasto  en  Cerveza:  Todos

.06

Densidad
.04  

.02

0
0 20 40   60 80 100
gtot_cer

17
Machine Translated by Google

El  enfoque  de  estimación  correcto

El  modelo  empírico:

¿Cómo  debo  elegir  el  enfoque  de  estimación  
teniendo  en  cuenta  lo  que  observé?
.08

.06

Densidad
.04  

.02

0
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  El  Modelo  Empírico:

  A.  Ignorar  y  continuar  con  MCO:  ¿qué  muestra?
  B.  Elija  un  enfoque  de  estimación  que  tenga  en  cuenta  que  tenemos  
individuos  que  optan  por  consumir  “0”  y  otros  que  optan  por  consumir  alguna  
cantidad  positiva  {Utilice  todas  las  observaciones,  incluidos  los  “ceros”}
  C.  Elegir  un  enfoque  de  estimación  que  tenga  en  cuenta  que  tenemos  
individuos  que  optan  por  consumir  “0”  y  otros  que  optan  por  consumir  alguna  
cantidad  positiva  y  que  las  variables  que  influyen  en  la  decisión  de  
consumir  son  diferentes  a  las  variables  que  influyen  en  la  decisión  de  la  
cantidad  de  consumo.

19
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  A.  Ignorar  y  continuar  con  MCO:  ¿qué  muestra?
,

Usar  todas  las  observaciones  incluyendo  los  “ceros” (muestra  

censurada) ,  submuestra  de  consumidores

Usar  solo  observaciones  con  consumo  positivo  (esto  es  lo  que  ya  hemos  hecho)  (muestra  
truncada)

¿Aprendo  cosas  diferentes  con  estos  dos  enfoques?  ¿Por  qué  no?

truncamiento censurando

20
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  B.  Tenga  en  cuenta  que  tenemos  individuos  que  optan  por  consumir  “0”  y  otros  
que  optan  por  consumir  alguna  cantidad  positiva  {Utilice  todas  las  observaciones  
incluyendo  los  “ceros”}
Pero  utilizo  un  modelo  Tobit  que  considera  que  la  existencia  de  “0”  no  es  aleatoria  y  puede  ser
relacionado  con  algunas  características  individuales  observadas

Restricción  principal:  El  mismo  parámetro  explica  la  decisión  de  consumir  o  no  y  la  cantidad  de  consumo

21
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  C.  Tener  en  cuenta  que  tenemos  individuos  que  optan  por  consumir  “0”  y  
otros  que  optan  por  consumir  alguna  cantidad  positiva
Pero  yo  uso  un  enfoque  de  dos  ecuaciones:

  Ecuación  que  describe  la  decisión  de  “comprar”
  Ecuación  que  describe  la  decisión  de  “cuánto”

¿Estimación  conjunta?:  Dependerá  de  si  estas  dos  ecuaciones  son  “independientes”
decisiones…

22
Machine Translated by Google

A.  Ignorar  y  continuar  con  MCO:  ¿qué  
muestra?
Machine Translated by Google
2.  Modelo  econométrico  para  Corner  Solutions:  modelo  de  demanda  del  consumidor

  A.  Ignorar  y  proceder  con  MCO:  Usar  todas  las  observaciones  incluyendo  los  “ceros”
A.1 , (muestra  censurada)

  (¿Por  qué  esta  no  suele  ser  una  buena  opción?)
i)  Pérdida  de  información  importante:  mide  el  efecto  de  tener  una  unidad  adicional  de  ingreso  
sobre  el  consumo  (ya  sea  decidir  consumir  o  variar  la  cantidad  consumida)
  Por  ejemplo,  para  estudiar  la  elasticidad  de  la  demanda  a  precios  o  ingresos  (un  ejemplo  con  precios)

  Si  los  precios  aumentan:

»  1.  La  decisión  de  compra  puede  cambiar:  margen  extensivo

»  2.  Cantidad  de  bienes  “j”  puede  cambiar:  Margen  Intensivo

»  3.  Efecto  Total:  1+2,  y  es  claro  que  la  magnitud  del  efecto  debe  ser  diferente  en  la  situación  1  versus  la  situación  2
  Si  aumentan  los  ingresos:

»  1.  La  decisión  de  compra  puede  cambiar:  margen  extensivo

»  2.  Cantidad  de  bienes  “j”  puede  cambiar:  Margen  Intensivo

»  3.  Efecto  Total:  1+2,  y  es  claro  que  la  magnitud  del  efecto  debe  ser  diferente  en  la  situación  1  versus  la  situación  2

Ii) ?  Inconsistencia  de  los  resultados:  Selección  de  muestras  endógenas
.08

.06

Densidad
.04  

.02

0 24
Machine Translated by Google
2.Un  modelo  econométrico  para  soluciones  de  esquina:  modelo  de  demanda  del  consumidor

  A.  Ignorar  y  proceder  con  MCO:
A.2 ,  submuestra  de  consumidores  (muestra  truncada)

  (¿Por  qué  esta  no  suele  ser  una  buena  opción?)

i)  Pérdida  de  información  importante:  mide  el  efecto  de  tener  una  unidad  adicional  de  ingreso  
sobre  la  cantidad  consumida  por  quienes  optaron  por  consumir
Buena  “j” (mismo  ejemplo  que  en  la  diapositiva  anterior)

ii)  Inconsistencia  de  los  resultados:  Selección  de  muestras  endógenas

La  selección  en  la  muestra  se  basa  tanto  en  observables  como  en  no  observables.  Se  contabilizan  
todos  los  observables.  Los  no  observables  en  la  regla  de  selección  también  aparecen  en  el  modelo  de  interés  (o  
están  correlacionados  con  los  no  observables  en  el  modelo  de  interés).
  La  muestra  de  individuos  con  consumo  positivo  en  cerveza  es  diferente  a  la  muestra  de  
individuos  con  consumo  nulo  en  cerveza.
  sufrirá  de  “Sesgo  de  Selección”  =  el  sesgo  por  no  tomar  en  cuenta  los  inobservables  que  vinculan  
las  ecuaciones:  toda  la  muestra  de  individuos  es  diferente  a  la  muestra  de  individuos  analizada.

25
Machine Translated by Google
2.Un  modelo  econométrico  para  soluciones  de  esquina:  modelo  de  demanda  del  consumidor

  Problema  de  selección  de  muestra:  intuición  de  por  qué  MCO  no  es  el  estimador  apropiado

La  regresión  OLS  simple  sobre  las  horas  de  trabajo  es  INCORRECTA:  la  estimación  OLS  conduce  a
estimaciones  “sesgadas”  de  las  elasticidades  de  la  oferta  laboral  {coeficientes  estimados  en  general}:  
{particularmente  relevante  para  las  mujeres}.  El  valor  estimado  de  ”  utilizando  la  muestra  de  trabajadores  no  
nos  informará  sobre  el  parámetro  de  comportamiento  “verdadero”.

26
Machine Translated by Google
2.Un  modelo  econométrico  para  soluciones  de  esquina:  modelo  de  demanda  del  consumidor

  A.  Ignorar  y  proceder  con  MCO:

A.2   ,  submuestra  de  consumidores  (¿Por  qué  esto  no  es
¿Típicamente  una  buena  opción?)

La  aplicación  de  MCO  (incluyendo  los  ceros)  produce  un  estimador  inconsistente  para .   Aplicar  

OLS  sin  los  ceros  también  es  inconsistente  (“muestra  truncada”).   Estimar  una  regresión  

lineal  en  presencia  de  censura  implica  complicaciones  computacionales  adicionales.

La  regresión  de  mínimos  cuadrados  ordinarios  (OLS)  no  producirá  estimaciones  de  parámetros  consistentes  
porque  la  muestra  censurada  no  es  representativa  de  la  población.

27
Machine Translated by Google
2.Un  modelo  econométrico  para  soluciones  de  esquina:  modelo  de  demanda  del  consumidor

  A.  Ignorar  y  proceder  con  MCO:  Usar  todas  las  observaciones  incluyendo  los  “ceros”
A.2   ,  submuestra  de  consumidores  (¿Por  qué  esto  no  es
¿Típicamente  una  buena  opción?)

Aplicar  OLS  sin  los  ceros  también  es  inconsistente  (“muestra  truncada”).

28
Machine Translated by Google
2.Un  modelo  econométrico  para  soluciones  de  esquina:  modelo  de  demanda  del  consumidor

  ¿Cómo  debería  cambiar  esta  situación  nuestra  estrategia  de  estimación?

Un  ejemplo  utilizando  la  EPF:  Consumo  de  cerveza:  Alta  concentración  de  la  variable  en
a  “0”:  51%  de  los  hogares  no  consume  cerveza  en  casa

Un  resumen  detallado  de  los  “gastos  en  el  bien  X”  proporciona  información  sobre  los  problemas  
potenciales  en  la  estimación  de  los  parámetros  del  modelo  tobit  con  una  función  media  condicional  
lineal  (modelo  MCO).

.  *Modelo  1:  decisión  de  consumo  de  cerveza.  *Dummys  que  
identifican  al  hogar  que  consumen  cerveza  frente  al  que  no  consumen.  tab  consumidor,  faltante //1  hogar  que  consume  
cerveza  ­  0  hogar  que  no  consume

consumidor frecuencia Por  ciento Semen.

Gasto  en  Cerveza:  Todos
.08

0 10.817   57.15 57.15

.06

1 8.112 42.85 100.00

.04
Densidad

Total 18,929 100.00

.02

.  suma  consumidor
0
0 20 40   60 80 100
gtot_cer
Variable Obs. Significar Estándar  desarrollador mínimo máx.

consumidor 18,929 .4285488 .4948815 0 1

29
Machine Translated by Google
2.Un  modelo  econométrico  para  soluciones  de  esquina:  modelo  de  demanda  del  consumidor

  A.  Ignorar  y  proceder  con  MCO:
.  ptest  $xvar1  $xvar2  $xvar3  $xvar5  $xvar6,  t(cons_cer)  sin  procesar

prueba  t  
  La  intuición  del  problema  de  
Significar VERMONT)/

Variable Control  tratado %inclinación t p>|t| V(C)

alquiler 850.71 804.9 8.2 5,63  0,000 0,91* selección  de  muestra:

adulto .2984  .19845 23.3 16.14  0.000 .
menores
edadsp  
.33605  .26676
55.169  57.144
15.1
­14.1
10.44  0.000
­9.62  0.000 0,80*
.
Individuos  para  quienes  Q>0  son  
gestudiossp1   .01421  .02037
.11234  .14297
­4.7
­9.2
­3,21  0,001
­6,26  0,000
.
.
iguales  a  los  individuos  para  
gestudiossp2  
gestudiossp3   .27083  .28158 ­2.4 ­1,65  0,099 . quienes  Q=0?
gestudiossp4   .19832  .18545 3.3 2,25  0,025 .
gestudiossp5   .12072  .11423 2.0 1,38  0,166 .
gestudiossp6   .10687  .09923 2.5 1,73  0,084 .
gestudiossp7   .16517  .14707 5.0 3,43  0,001 .
gestudiossp8   .01154 .0091 2.4 1,67  0,094 .
hombresp   .68861 .6211 14.2 9.73  0.000 .
diaria1 .22638  .30696 ­18,3  ­12,47  0,000 .
diaria2 .3873  .32624 12.8 8.79  0.000 .
diaria3   .1778  .11596 17.5 12.19  0.000 .
cons_vino   .68023 .202 109.9 76.22  0.000 .
gtot_vino 148.32 77.16 12.2 8.71  0.000 2,90*

*  si  la  relación  de  varianza  fuera  de  [0.96;  1.04]

Ps  R2  LR  chi2  p>chi2  MeanBias  MedBias B R %var

0.191  5028.27 0.000 15.4 10.7 115.3* 1.29 100

*  si  B>25%,  R  fuera  de  [0,5;  2]

30
Machine
.  eTranslated
stab  mlin0  by Google
mlin1
1.  Corner  Solutions:  modelo  de  demanda  del  consumidor
(1)   (2)  
gtot_cer gtot_cer

alquiler 1.973***   3.595***  

  2.A.  Ignorar  y  continuar  con  MCO:
(9.41) (8.70)

adulto 2.605***   2.508***     La  intuición  del  problema  de  selección  de  muestra:

(9.51) (5.47)

menores 1.317***   1.179*   Individuos  para  quienes  Q>0  son  iguales  a  los  

(4.76) (2.35)

­0.0183* 0.0210
individuos  para  quienes  Q=0?
edadsp
(­2.22) (1.16)

gestudiossp1
Mira  solo  las  columnas  (1)  y  (2)
0  (.) 0  (.)

gestudiossp2 1.265*   3.833***     Es  claro  que  la  sensibilidad  del  consumo  de  cerveza  al  ingreso  

(2.50) (3.43) familiar  difiere  entre  los  dos  modelos.
gestudiossp3 1.817***   4.675***  
(3.64) (4.28)
¿Cuál  es  el  correcto?  Ninguno  de  ellos.
gestudiossp4 2.094***
(3.95)
5.376***
(4.73)
En  OLS_uncond,  estamos  usando  todas  las  observaciones:  
1.930***   4.650***  
pero  para  el  50%  de  ellas,  el  gasto  es  nulo
gestudiossp5
(3.35) (3.84)
En  OLS_cond,  usamos  solo  observaciones  para  las  cuales  
gestudiossp6 2.719***   6.312***  
(4.59) (5.08)
se  observa  que  los  individuos  consumen  cerveza
gestudiossp7 2.426***   5.642***  
(4.31) (4.72) Pero  esta  segunda  estimación  crea  un  problema  de  selección  
hombresp 1.696*** 2.316*** de  la  muestra  porque  las  características  de  la  muestra  de  
(8.30) (5.61)
los  individuos  que  consumen  cerveza  son  diferentes  a  las  
cons_vino 3.928***   ­8.775***  
(16.02) (­16.12)
características  de  la  muestra  de  los  que  no  consumen  cerveza  
gtot_vino 0,000945   0,00211   (hemos  mostrado  antes  esta  idea)
(1,84) (1,28)

_contras 0.540 9.885***

(0.68) (5.58)

norte 19229 8234

31
Estadísticas  t  entre  paréntesis