Essays.club - Ensayos gratis, notas de cursos, notas de libros, tareas, monografías y trabajos de investigación
Buscar

El objetivo de este trabajo es hacer una breve revisi n trabajo elaborado por James Heckman (1979) que tiene en cuenta el problema del sesgo de selecci n maestral.

Enviado por   •  30 de Agosto de 2018  •  1.763 Palabras (8 Páginas)  •  431 Visitas

Página 1 de 8

...

es la siguiente:

PASO 1 ESTIMAR EL MODELO PROBIT.

El modelo Tobit requiere normalidad y homocedasticidad. Si cualquiera de estos dos supuestos valla, es dif cil saber quØ estar amos estimando si utilizÆsemos MV Tobit. • No obstante, si estos supuestos no se cumplen, pero no nos alejamos mucho de ellos, el modelo Tobit nos permite obtener buenas estimaciones. • En un modelo Tobit, suponemos que cada xj tiene el mismo efecto sobre p(y > 0|x) que sobre E(y|y > 0,x).... Fijaos que s lo se estima un vector de parÆmetros. Esta restricci n es poco realista. • Este œltimo problema puede resolverse planteando un modelo en dos partes (a two-part model) en el cual P(y > 0|x) and E(y|y > 0,x) tengan diferentes parÆmetros.

Modelo 2: Tobit, usando las observaciones 1-2725

Variable dependiente: narr86

Desviaciones t picas basadas en el Hessiano

Coeficiente Desv. T pica z Valor p

------------------------------------------------------------

const 0.692411 0.128810 5.375 7.64e-08 ***

tottime 0.00267404 0.0318787 0.08388 0.9332

avgsen 0.0217716 0.0412215 0.5282 0.5974

incc86 0.402701 0.126190 3.191 0.0014 ***

pcnv 0.980245 0.149444 6.559 5.41e-011 ***

Chi-cuadrado(4) 52.88434 Valor p 9.01e-11

Log-verosimilitud 2581.408 Criterio de Akaike 5174.816

Criterio de Schwarz 5210.278 Crit. de Hannan-Quinn 5187.634

sigma = 2.25116 (0.0680185)

Observaciones censuradas por la izquierda: 1970 Observaciones censuradas por la derecha: 0

Contraste de normalidad de los residuos Hip tesis nula: el error se distribuye normalmente Estad stico de contraste: Chi-cuadrado(2) = 19.5229 con valor p = 5.76313e-005

observamos que nuestras variables incc86 y pcnv s son estadisticamente signi cativas, vemos que de acuerdo con el valor p los errores se distribuyen normalmente, por lo que el modelo es el adecaudo. El problema que tenemos en este tipo de casos, pero la pregunta que nos hac amos: Ho: se distribuye normalmente, la aceptamos dado que p es menor a 0.05 por tanto este modelo adecuado.

Procedemos a obtener nuestra funci n de regresi n estimada evaluada en la media de los niveles de

genr ind= $coeff(const)+$coeff(tottime)*tottime+$coeff(avgsen)*avgsen+$coeff(incc86)*incc86 Se ha generado la serie ind (ID 17)

PASO 2 GENERAR LA FUNCI N ˝NDICE (PARA ESTIMAR LA FUNCI N LAMBDA)

? genr lambda= dnorm(ind)/cnorm(ind)

Se ha generado la serie lambda (ID 18) ? ols l_narr86 X lambda

Modelo 3: MCO, usando las observaciones 1-2725 (n = 755)

Se han quitado las observaciones ausentes o incompletas: 1970

Variable dependiente: l_narr86

Coeficiente Desv. T pica Estad stico t Valor p

----------------------------------------------------------------

const 0.956669 0.180983 5.286 1.64e-07 ***

pcnv 0.566854 0.105193 5.389 9.52e-08 ***

inc86 0.00133288 0.000349738 3.811 0.0001 ***

black 0.0947999 0.0392639 2.414 0.0160 **

hispan 0.0827384 0.0389350 2.125 0.0339 **

durat 0.00901738 0.00303728 2.969 0.0031 ***

lambda 0.482997 0.117360 4.116 4.29e-05 ***

Media de la vble. dep. 0.243269 D.T. de la vble. dep. 0.451661

Suma de cuad. residuos 138.1289 D.T. de la regresi n 0.429726

R-cuadrado 0.101974 R-cuadrado corregido 0.094771

F(6, 748) 14.15637 Valor p (de F) 2.60e-15

Log-verosimilitud 430.1032 Criterio de Akaike 874.2065

Criterio de Schwarz 906.5935 Crit. de Hannan-Quinn 886.6820

Como observamos La lambda es signi cativa y el coe ciente de la raz n de Mill esestadisticamente signi cativo, con esto veri camos que hay un sesgo de selecci n el problema que tenemos es que esa raz n de Mill no tenemos la certeza que es el mÆs adecuado, para corroborar esto vamos a estimar el modelo Hekit.

PASO 3 INCLUIR LAMBDA ESTIMADA EN LA ECUACI N MODELO HECKIT Procedemos a restringir nuestra muestra a valores mayores que cero; en este caso, hay que tener presente que NA es diferente a tener 0. En nuestra nueva muestra, ahora solo tenemos 755 datos. Realizamos el modelo por MCOque aunque sabemos que nos proporcionarÆ informaci n incorrecta respecto a la relaci n entre nuestras variables, esto se hace con la nalidad de obtener la signi catividad y as poder realizar la estimaci n del modelo Tobit usando œnicamente las variables que sean signi cativas. Los resultados se muestran a continucaci n:

Variable dependiente: narr86

Variable de selecci n: incc86

Desviaciones t picas QML

Coeficiente Desv. T pica z Valor p

----------------------------------------------------------

const 0.220032 0.122146 1.801 0.0716 *

pcnv 0.165772 0.0397185 4.174 3.00e-05 ***

inc86 0.00226138 0.000239292 9.450 3.38e-021 ***

black 0.251431 0.0490831 5.123 3.01e-07 ***

hispan 0.154676 0.0394171 3.924 8.71e-05 ***

lambda 0.738368

Ecuaci n de selecci n 0.293003 2.520 0.0117 **

const 0.738026 0.0269790 27.36 9.28e-165 ***

tottime 0.0461974 0.0146826 3.146 0.0017 ***

avgsen 0.0248354 0.0189747 1.309 0.1906

Media de la vble. dep. 0.362892 D.T. de la vble. dep. 0.760571

sigma 0.883006 rho 0.836199

El

...

Descargar como  txt (11.9 Kb)   pdf (138.6 Kb)   docx (575.6 Kb)  
Leer 7 páginas más »
Disponible sólo en Essays.club