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 Stella • 30 de Agosto de 2018 • 1.763 Palabras (8 Páginas) • 516 Visitas
...
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
...