Tema 3: Correciones y extensiones MRL: Informacin Muestral

Estimador de variables instrumentales (VI)

Dado un determinado modelo, tal que:

y = x + e
Si

estn correlacionados, es decir:

Cov (X, e) = 0
El estimador de MCO es

sesgado e inconsistente.
X

Esto sucede cuando Para

una determinada variable se ha medido con un cierto grado de error. comprobar si existe correlacin entre una variable

con el trmino de error,

usamos el test de Hausman, el cual establece el siguiente contraste de hiptesis:

H0 = {Cov (Xi , ei ) = 0}
siguientes pasos:

H1 = {Cov (Xi , ei ) = 0}

Para calcular el anterior contraste en el programa

EViews , seguiremos los

Consideremos el siguiente modelo para explicar el procedimiento:

y = 1 + 2 X1 + ei
1. Estimaremos un modelo por MCO, donde la variable endgena, ser la variable que creemos que est correlacionada con el trmino de error, seguido de sus instrumentos. Es decir, si consideramos que el instrumento usado para la variable

X1 ,

es el retardo de esta misma variable, es decir,

X1t ,

el modelo que estimaremos ser:

X1 = 1 + 2 X1t + ei
2. Calcularemos los residuos del anterior modelo. Para ello, en el seguiremos el siguiente comando

Workle - Genr - u=resid

EViews ,

3. Una vez calculado los residuos, estimaremos el modelo inicial aadindoles los anteriores residuos. Es decir:

y = 1 + 2 X1 + 3 u + ei
1

4. Para contrastar el test de Hausman, debemos contrastar la signicatividad del parmetro aadido, es decir, los residuos. Para ello usaremos un test

F.

Si una de las variables exgenas estan correlacionadas con el trmino de error, como hemos descrito anteriormente, MCO es sesgado e inconsistente. Para solucionar este problema, usaremos el estimador de

tales (VI).
tal que:

Variables Instrumenpor otras variables (

Este mtodo, consiste, intuitivamente, en sustituir los regresores

estocsticos correlacionados con el error (variables

X)

Z)

Contengan informacin similar (es decir que estn fuertemente correlacionadas) No estn correlacionadas (al menos asintticamente) con los errores.

Es decir, si tenemos un modelo encontrar una matriz

de orden

y = X + e con Cov (X, e) = 0 n L (L K ) tal que:

tendremos que

Cov (X, Z ) = 0 Cov (Z, e) = 0

Para comprobar la

condicin de relevancia.

Al cumplimiento de esta condicin, la denominaremos

condicin de exogeneidad.

Al cumplimiento de esta condicin, la denominaremos

condicin de relevancia,

simplemente, tendremos que

realizar el primer paso del test de Hausman, y comprobar el estadistico signicacin global del modelo.

de

Bajo la hiptesis nula de que los instrumentos son independientes del trmino de error

(condicin de exogeneidad)
e

deberia esperarse que la regresin del

trmino de error

sobre las variables que componen la matriz

tuviese un

ajuste bajo en trmino del coeciente El

R2 ,

en el caso de que no se cumpla la

hiptesis nula, este coeciente de determinacin podria ser signicativo.

test de Sargan

consiste en sustituir los errores inobservables

su contrapartida observable,

e i ,

es decir, los residuos del modelo

ei por y = X + e

estimado por VI, y estimar por MCO la regresin auxiliar.

e 1 = 1 z1 + . . . + L zL + u
Siendo las variables

son los instrumentos utilizados para estimar por VI.

Bajo la hiptesis nula de la condicin de exogeneidad, se cumple que

2 S = (n K )R2 2 r = LK
Donde

r = LK

es el nmero de restricciones de sobre-identicacin que

se obtiene restando al nmero de instrumentos en la matriz variables explicativas en la matriz

Z (L)

el nmero de

X (K ).

1.0.1 Estimacin VI con el programa EViews

Si queremos estimar por VI una regresin, el modelo de estimacin que tenemos que coger al estimar nuestra regresin es el

dos en 2 etapas (MC2E).

Mnimos Cuadra-

Para realizar el test de Sargan, tendremos que calcular el P-Valor. Para ello, sigiendo el siguiente comando

tico, grados de libertad).

scalar prob=1-@cchisq(valor estads-

Observaciones atipicas

En nuestros datos podemos encontrarnos algunas observaciones atpicas que pueden corresponder a individuos o acontecimientos anmalos o de especial trascendencia. La caractersticas principal de estas es que

observaciones especiales pueden llegar a tener una gran inuencia en los resultados de outliers, aquellos datos especiales que corresponden a obser-

la estimacin por MCO del modelo, de forma que su inclusin o exclusin en la informacin muestral puede dar lugar a grandes cambios en las estimaciones de los parmetros, en el ajuste del modelo etc. Deniremos los mos

vaciones atipicas en los valores de la variable dependiente, mientras que denire-

leverages

para observaciones con valores anormales en alguna(s) de las

variables explicativas del modelo.

Variable dependiente discreta

y toma nicamente

Los modelos de variable dependiente discreta son aquellos en que la

respuesta

mente en modelos donde la

variable de valores discretos. Este caso aparece comnvariable dependiente es de tipo cualitativo,

siendo observada no de forma continua, sino a travs de valores discretos (el cumplimiento de una propiedad, la eleccin entre varias alternativas, el impacto de una medida, etc.) u ordinales (los resultados de un suceso representan categoras ordenadas siguiendo un cierto rango). Algunos ejemplos son:

y = 1 si una familia compra una vivienda en propiedad, y = 0 si la alquila. y=1

etc. si se tiene un empleo,

y=0

si no se tiene.

3.1

El modelo de probabilidad lineal (MPL)

yi = 1 + 2 x2i + ... +
En este al caso donde la variable dependiente es del tipo dicotmico (1/0),

Cuando se aplica el modelo de regresin lineal estandar

k xki + ei

ste recibe el nombre de caso, la distribucin de

modelo de probabilidad lineal (MPL).

condicionada al conjunto de vaores observados de las

variables explicativas viene dada por:

yi =

1 con 2 con

Pi = P (y = 1) 1 Pi = P (y = 0) E [ei ] = 0
la

Se llama modelo de probabilidad lineal porque si se cumple que funcin de regresin poblacional est dada por:

E [yi ] = 1 Pi + 0 (1 Pi ) = Pi
luego se tendr:

Pi = 1 + 2 x2i + ... + k xki

y por tanto el parmetro que la variable

representa el incremento en la probabilidad de

unidad (mantenindose constante el resto de variables explicativas),

xj en una Pi xj = j . Si estimamos el modelo MPL por MCO tendremos varios inconvenientes: no

tome el valor 1 cuando se incrementa la variable

normalidad de los errores, heteroscedasticidad y, lo ms importante, la probabilidad de que la variable

tome el valor 1, dada por

1 + 2 x2i + + i = P k xki ,

puede no pertenecer al intervalo[0, 1] para algunas observaciones de la muestra. Lgicamente si eso ocurre en una aplicacin, el

MPL queda invalidado.

Una alternativa frente al modelo de probabilidad lineal es construir un modelo donde la probabilidad de que la variable dependiente tome el valor 1 venga dada por una funcn que obligatoriamente tome valores entre 0 y 1, y que no sean necesariamente lineal en las variables explicativas,

Pi = P [y1 = 1] =

F (1 + 2 x2i + ... + k + xki ).

Para ello estudiaremos dos modelos, modelos

logit

(donde la funcin de distribucin acumulada de la variable aleatoria unidimensional es la logstica, y el modelo

probit (en el cual la funcin de distribucin

acumulada de la variable aleatoria unidimensional es la normal tipicada).

3.2
La

El modelo Logit

1 1+ez de modo que el modelo Logit tendra una funcin de probabilidad dada por:

funcin logstica esta dada por (z ) =

Pi = P [y1 = 1] = (1 + 2 x2i + ... + k + xki ) =

1 1+ e(1 +2 x2i +...+k +xki )

El valor Ii = 1 + 2 x2i + ... + k xki puede interpretarse como un indicador de utilidad, de modo que la probabilidad de que y tome el valor 1 depende de la utilidad que tenga para el individuo la opcin correspondiente. Es inmediato que

(0) = 0, 5, de modo que la preferencia por y = 1 ser mayor cuando el indicador sea positivo (I > 0) y viceversa, aunque el incremento de probabilidad no es
no es lineal. De hecho para el modelo Logit se tiene que:

constante para crecimientos iguales de la utilidad dado que la funcin logstica

Pi = j (1 + 2 x2i + ... + k + xki ) xj

e t (1+e.z )2 es la funcin de densidad de la curva logstica. Por lo tanto, el no coincide con el valor del parmetro,
donde

(z ) =

depende del valor que tomen las variables explicativas en cada observacin; cuando cambia una variable
tal como ocurra en el MPL, sino que

efecto marginal

xj ,

paribus)

el valor de la funcin

(1 + 2 x2i + ... + k + xki )

tambin cambia

(ceteris

y, por tanto, el efecto combinado viene dado por el producto

j (1 +

2 x2i + ... + k + xki ). Pi Notar que si Bj es positivo, tambin lo sera el efecto marginal xj ya que la funcin (.) siempre toma valores positivos. Asimismo, puesto que dicha funcin toma el mximo valor en z = 0, y en dicho valor se tiene que P = (0) = 0, 5, el mayor efecto marginal (valor absoluto) dado el parmetro j se produce para aquellas observaciones donde existe indecisin (P = 0, 5) entre las dos alternativas posibles, y = 1 o y = 0. Adems, al vericarse la igualdad (z ) = (z )[1 (z )], se tiene que: Pi = j Pi (1 Pi ) xj

crecimiento de la probabilidad es mayor en la zona central (cerca de P = 0, 5), disminuyendo progresivamente conforme nos alejamos hacia la izquierda o hacia la derecha
tos marginales son no lineales, sino que el (hacia

la cual es una funcin cuadrtica en la variable

P.

Entonces, no solo los efec-

p=0

p = 1,

respectivamente).

3.2.1 Estimacin modelo Logit en EViews

En el EViews, cogeremos el mtodo de estimacin denominado y despues en mtodo de estimacin binaria, el Logit. Para realizar un contraste haremos uso del estadstico LR. Para realizar cualquier contraste, usaremos el siguiente comando en EViews.

BINARY,

coecient test - Redundant variable test.

forma

View -

La funcin de densidad de un modelo Logit, la calculamos de la siguiente

scalar fmd=@dlogistic(valores de la regresin).

3.3
z

El modelo Probit
y
tome el valor 1 viene dada por la

En el modelo Probit, la probabilidad de que

t 1 e 2 2 2

funcin de distribucin de una variable aleatoria normal tipicada (z ) =

dt,

es decir:

Pi = P [yi = 1] = (1 + 2 x2i + ... + k xki ) =

(1 +2 x2i +...+k xki )

1 t2 e 2 dt 2

Para este modelo, se tiene que:

Pi = j (1 + 2 x2i + ... + k xki ) xj

t 1 e 2 . 2 De nuevo el efecto marginal coincide con el valor del parametro, siendo no lineal, 2

siendo

la funcin de densidad de la distribucin

N (0, 1), (t) =

y alcanzando el mximo valor absoluto para indecisin entre las dos alternativas.

p = 0, 5,

es decir, en el valor de

3.3.1 Estimacin modelo Probit mediante EViews.

Los comandos a seguir en el EViews son los siguientes

En el EViews, cogeremos el mtodo de estimacin denominado y despues en mtodo de estimacin binaria, el Probit.

BINARY,

Para realizar un contraste haremos uso del estadstico LR. Para realizar cualquier contraste, usaremos el siguiente comando en EViews.

coecient test - Redundant variable test.

forma

View -

La funcin de densidad de un modelo Logit, la calculamos de la siguiente

scalar fmd=@dnorm(valores de la regresin).

3.4

Consideraciones especiales en los modelos Logit y Probit

R2

3.4.1 Grado de ajuste del modelo

Para todos los modelos de eleccin binaria, el estadistico cionado por el modelo. denido para el modelo lineal deja de ser una buena medida de la bondad del ajuste proporUn estadstico muy utilizado es el conocido

MacFadden.

R2

de

Tambin suelen utilizarse como medida del grado de ajuste del

modelo estimado las conocidas de la muestra.

tablas de clasicacin

en las cuales se repre-

senta el porcentaje de predicciones correctas del modelo estimado para los datos

3.4.2 Contrastes de hiptesis

Los contrastes de signicacin individual pueden realizarse mediante los

tadsticos z
tribucin Para los

es-

pero comparando tales ratios con los valores crticos de la disen lugar de los correspondientes a la

contrastes generales del tipo H0 = {R = r} se usa el test de razn de verosimilitudes (LR) el cual sigue una distribucin 2 q siendo q el
nmero de restricciones, es decir,

N (0, 1)

de Student.

LR as 2 q

3.5

Variable dependiente limitada. Modelos Tobit

En algunas ocasiones, la variable dependiente toma valores limitados porque

todos los valores contenidos en un cierto rango se asocian a un nico valor lmite e que en general por conveniencia se supone que es cero. Se dice entonces que dicha variable est censurada.
Los ejemplos clsicos de este tipo de situaciones son la compra de vivienda o automviles por parte de los individuos o familias, donde se observa un gran nmero de individuos que no gastan cantidad alguna portamiento de

(yi = 0)

en dicho bien-

En trminos microeconmicos, estas observaciones lmites describen un comoptimizador por parte de los agentes econmicos, para quienes resulta ptimo gastar una cantidad cero en la compra de vivienda o automvil. Para estos casos se suele utilizar el dene una la propiedad:

solucin de esquina, es decir, resultan de un comportamiento

modelo Tobit. En dicho modelo se variable latente asociada a todas las observaciones yi que cumple
yi = 0 yi
si yi <0 si yi 0

Se supone que la variable latente sigue un modelo de regresin lineal estndar:

yi = 1 + 2 x2i + ... + k xki + ei

entonces la distribucin que sigue la variable

yi

es:

P [yi = 0] = P [yi < 0] observaciones l mites (yi = 0) f (yi ) = (yi ) observaciones continuas (yi > 0)
con lo que se pone de maniesto la diferencia entre los dos tpos de observaciones en el conjunto de datos observado. En los referente a los

efectos marginales se tiene en este caso:

E (y ) 1 + 2 x2i + ... + k xki = j ( ) xj

por lo que, de nuevo, estos efectos dependen de los valores de las variables explicativas, y ahora adems de la desviacin estndar residual,

3.5.1 Estimacin modelo Tobit mediante EViews

Para estimar el anterior modelo mediante el programa EViews, seguiremos los siguientes comandos:

El mtodo utilizado es el denominado

cated Data (including Tobit)

CENSORED - Censored or Trun-

La desviacin estndar residual, viene dada en la salida del EViews, por el nombre

SCALE

La funcin de distribucin en este modelo la calculamos como

fe=@cnorm(valor de

1 +2 x2i +...+k xki )

scalar

3.6

Valores con truncamiento selectivo. Modelo Heckit

En algunas situaciones econmicas, los pendiente se obtienen a partir de un

aleatorio, por lo que truncamiento selectivo.

no es muestra, se usara el

dicha

datos observados de la variable demecanismo de seleccin muestral que variable se ve sometida a un proceso de

modelo Heckit. Este modelo se compone de dos ecuaciones. La primera de ellas, la ecuacin de seleccin, se corresponde con un modelo Probit que determina cundo se observa la variable de inters, y se expresa en trminos de una variable de seleccin si , asociada a todas las
observaciones muestrales que se dene como

Para este tipo de casos en los que existe un truncamiento selectivo de la

si =
donde la variable latente

0 si s i <0 1 si s 0 i
un modelo de regresin lineal estandar:

s i sigue

yi = 1 + 2 w2i + ... + k wki + ui

La segunda es la ecuacin de intensidad, que se corresponde con un modelo de regresin lineal para la variable de interes, yi , la cual slo es vlida para la muestra truncada y, por tanto.

yi =

1 + 2 x2i + ... + k xki + ei no se observa yi

si si = 1 si si = 0

Puede demostrarse que, teniendo en cuenta el proceso por el que se generan las observaciones de la variable dependiente se cumple que:

E (yi |si = 1) = 1 + 2 x2i + ... + k xki + i

donde la variable viene denida por:

i ,

es conocida como la

inversa de la razn de Mills ,

i =

(1 + 2 w2i + ... + k wM i ) (1 + 2 w2i + ... + k wki )

Para resolver este modelo, usaremos las siguientes etapas:

En la

primera etapa

se usa la muestra compuesta por todas las obser-

vaciones para estimar un

modelo Probit

para la variable

si

que rige la

observacin de la variable de inters

P [s i = 1] = (1 + 2 w2i + ... + k wM i )
y a continuacin se estima la inversa de la razon de Mills:

1 + 2 w2i + ... + k wM i ) i = ( ( 1 + 2 w2i + ... + k wM i )

En la

segunda etapa

se usa solo la submuestra compuesta por las ob-

servaciones que cumplen la condicin

regresin truncada

si = 1

para estimar por MCO la

i + ui yi = 1 + 2 x2i + ... + k xki +

3.6.1 Estimacin modelo Heckit mediante EViews

Para la primera etapa (mecanismo de seleccin) estimamos el modelo como si fuera un Probit.

Forecast (escoger la opcin Index-where Prob=1-F(Index). (la denominaremos i)

Creamos una variable (inversa de la razon de Mills). Para ello, Cuando creamos esa variable, ya generamos la inversa de la razon de Mills. Para ello,

Genr - irm=@dnorm(i)/@cnorm(i)

Una vez generada la variable, truncaremos la muestra, es decir, que escoga los valores que tome el valor 1. Para ello, al estimar el modelo por MCO (aadindole la inversa de la razn de Mills), en el recuadro de Sample, ponemos

if(variable estudiada=1)