Ejercicio resuelto con Eviews paso a paso

Modelos censurados, truncados y de seleccin muestral: Modelo TOBIT

Aplicando un modelo adecuado

www.esae.es

Ejercicio: Aplicando un modelo adecuado

Se trata de estudiar los efectos de dos calmantes para el dolor de cabeza. Se dividen los pacientes en dos grupos de modo que cada grupo recibe un tipo diferente de calmante {TIPO) registrndose para cada paciente el tiempo que tarda en remitir el dolor de cabeza despus de haberle sido suministrado el calmante (MINUT). Como puede haber pacientes que al final del perodo de observacin sigan con dolor de cabeza, estamos ante un caso de datos censurados por la derecha. La variable censura ( CENS ) valdr 1 para datos censurados y cero para datos no censurados. Se obtienen los datos siguientes (archivo 8-6.wf1) :
MINUT
11
19

TIPO CENS

MINUT TIPO
. 19

CENS

MINUT
19

TIPO

CENS

MINUT
19

TIPO

CENS

21
20 30 23 25 26 32

16

1 1 1 1 1
2 2

2
2 2

0 0 0 0 0 0 0 1 1 1

12

23 23 32

21 21 21 16

2
2

1 1 1 1 1

2
2

20

0 0 0 0 1 0 0 0 1 1

21 20
25 24 23 24 30

21

2
2 2

1 1 1 1 1

0 0 0 0 1 0 0 0 1

27 14 23 24 30

20 21

2
2 2

1 1 1 1

21

2 2

0 0 0 0 0 0 0 0 0

Ajustar un modelo adecuado que explique el tiempo de remisin del dolor de cabeza en funcin del grupo de pacientes, lo que permitir comparar ambos calmantes. Ajustar los modelos suponiendo distribicin normal, logstica y de valor extremo. Comparar los tres modelos. SOLUCIN: Como puede haber pacientes que al final del perodo de observacin sigan con dolor de cabeza, estamos ante un caso de un modelo Tobit censurado por la derecha, estando definida la censura por la variable CENS que juega el papel de indicador de censura. Realizaremos la estimacin del modelo Tobit censurado por la derecha por mxima verosimilitud. Para ello se elige Quick Estmate Equation, se escribe la ecuacin del modelo a ajustar en el campo Equation Specification de la solapa Specification, se elige CENSOREDCensored or truncated data (Tobit) en el campo Method, se sita la variable cens en el campo Right y se seala Zero/One indicador of censoring porque el modelo Tobit est censurado a la derecha siendo el indicador de censura la variable CENS, se elige Normal porque consideramos el modelo con distribucin normal (Figura 8-25) y se hace clic en Aceptar. Se obtienen los resultados de la Figura 8-26 con buenas significatividades individuales para los parmetros estimados. Los valores de los criterios de informacin son aceptables y coincidentes entre ellos.

Pg. 1 de 3

Figura 8-25

Figura 8-26

Se observa que para un paciente del grupo 1 {TIPO = 1), el tiempo de remisin del dolor de cabeza es de 17,317 + 3,666*1 = 20,983 minutos, mientras que para uno del grupo 2 (TIPO = 2) es de 17,317 + 3,666*2 = 24,649 minutos. Se observa que el calmante suministrado al grupo 1 es ms efectivo porque el dolor remite en menos tiempo que con el calmante suministrado al grupo 2. Para ajustar el modelo Tobit censurado por la derecha suponiendo distribucin logstica, sealamos Logistic en el campo Distribution de la pantalla Equation Estimation (Figura 8-27). Si se hace clic en Aceptar se obtienen los resultados de la Figura 8-28 con buenas significatividades individuales para los parmetros estimados. Los valores de los criterios de informacin son aceptables y coincidentes entre ellos. Se observa adems, que las diferencias con el modelo de distribucin Normal son muy pequeas.

Para ajustar el modelo Tobit censurado por la derecha suponiendo distribucin logstica, sealamos Extreme valu en el campo Distribution de la pantalla Equation Estimation (Figura 8-29). Si se hace clic en Aceptar se obtienen los resultados de la Figura 8-30 con buenas significatividades individuales para los parmetros estimados. Los valores de los criterios de informacin son aceptables y coincidentes entre ellos. Se observa adems, que las diferencias con los modelos de distribucin Normal y Logit son pequeas.

Pg. 2 de 3

Figura 8-29

Figura 8-30

Realizada la estimacin de los modelos Tobit para las tres distribuciones, realizaremos una comparacin entre ellos, para quedarnos con el ms adecuado. El modelo ms eficiente ser aquel que presente menores valores de los criterios de informacin de Schwarz y HannanQuinn y mayor valor de la funcin de verosimilitud. Recopilando tenemos: Log Likelihood Schwarz Hannan-Quin Normal -100,1021 5,555709 5,472424 Logit -99,88178 5,544113 5,460828 Valor extremo -102,8494 5,700303 5,617018

El mtodo que presenta menores valores de los criterios de informacin y mayor valor de la funcin de verosimilitud es el modelo con distribucin logstica con muy poquita diferencia respecto del modelo con distribucin normal. El modelo con distribucin de Weibull (valor extremo) es el menos adecuado en este caso. Por lo tanto, el mejor ajuste lo ofrece el modelo Tobit censurado por la derecha con distribucin logstica.

Pg. 3 de 3