Beruflich Dokumente
Kultur Dokumente
Modelo Tobit
Introduccin
Modelo Tobit
Contenido
1 2
Introduccin Modelo Tobit Introduccin Estimacin por Mxima Verosimilitud Diferencias con una simple Regresin Lineal Predicciones. Efectos Marginales Limitaciones del Modelo Tobit
3 4
Modelos en Dos Partes Modelos de Seleccin Muestral El Problema de Seleccin Muestral para la Inferencia Causal Modelo de Truncamiento Incidental
Introduccin
Modelo Tobit
Variables Censuradas:
Y < U si Y U
si
Y > L si Y L
si
Introduccin
Modelo Tobit
Variables Truncadas:
= Y
si Y
<U
= Y
si Y
>L
La censura/truncamiento puede considerarse como una situacin en que falta informacin (completa) sobre la variable dependiente
comparada con observar plenamente Y
En algunos casos el valor de censura es desconocido o diferente para cada individuo. Formalmente, la variable observada Y resulta de una mixtura de
un proceso latente continuo Y forma binaria
Y D
= =
Y D + L (1 D ) 1, Y U 0, Y < U
si si
Introduccin Introduccin
Modelo Tobit
Variable latente Y
Ui |X1i , . . . , Xki
Yi
0 + 1 X1i + + k Xki + Ui 2 N 0,
(1) (2)
Yi
la generalizacin a censura superior y/o a que el punto de censura sea distinto de cero son triviales
Introduccin Introduccin
Modelo Tobit
Yi
Yi ,
0,
si Y
en caso contrario
Otra formulacin
Yi
Yi ,
0,
i =1 si Di = 0
si D
(3)
Di
en caso contrario
(4)
Introduccin
Modelo Tobit
Di = 1 Di = 0
o tambin
Por simplicidad Y
f (yi |xi ) =
Si D
1 1 exp 2 2 22
yi Xi
i
Xi
Xi
Introduccin
Modelo Tobit
f (yi |xi ) =
Xi Di
Xi
1Di
n i =1
f (yi ) =
n i =1
log f (yi )
n i =1
i Di log X
+ (1
Di ) log
Xi
Los valores que maximicen esta funcin sern nuestra estimacin de los parmetros
la optimizacin no tiene frmula analtica cerrada
Nota: en el modelo Tobit, a diferencia del modelo probit, s se puede identicar la varianza del error
Introduccin
Modelo Tobit
Introduccin
Modelo Tobit
X Xi + Xi / /
Xi /
(Xi /)
Adems,
El problema con variables censuradas NO est en la falta de observabilidad, sino en una incorrecta especicacin Suponer que E [Y |X ] es lineal resulta inadecuado cuando la variable latente Y
es lineal
Introduccin Predicciones
Modelo Tobit
lineal
i = Xi = 0 + 1 X1i + + k Xki
El valor de la variable dependiente observada en la parte no censurada es:
Yi
= Yi = i = 0 + 1 X1i + + k Xki ,
si
i > 0
La probabilidad de la censura: Pr (Y
0)
= 0 + 1 X1i + + k Xki
= (i )
Modelo Tobit
Para los modelos censurados, existen varios efectos marginales de inters El efecto marginal sobre la variable latente:
= k
Yi = 0|X1i , . . . , Xki ) = Pr (Di = 0|X1i , . . . , Xki ) = ( ) i k Xki Xki donde i = 0 + 1 X1i + + k Xki es el ndice lineal.
Pr (
El efecto marginal sobre la variable truncada (slo sobre observaciones no censuradas)
1 i (i ) (i )
censuradas y no censuradas):
Modelo Tobit
Segn las cuestiones relevantes, estaremos interesado en todos o slo en algunos de esos efectos marginales Los efectos marginales pueden calcularse de varias formas
evaluado en algn valor relevante de las variables explicativas evaluado en la media de las variables explicativas obteniendo la distribucin de efectos marginales evaluados en sus valores observados de cada individuo
Introduccin
Modelo Tobit
etc.
la verosimilitud, calcular la probabilidad de censura, etc. ) el modelo Tobit para datos log-normales: Y
U |X
i i
Y
= =
exp (0 N 0, Y
i,
+ 1 X1i + + k Xki + Ui )
si ln Y
0,
en caso contrario
donde
es el punto de censura.
Nota: se dice que Y sigue una distribucin log-normal, si su logaritmo ln Y sigue una distribucin normal.
Introduccin
Modelo Tobit
Adems impone el mismo mecanismo para determinar la probabilidad de censura y el valor de las observaciones no censuradas
Los determinantes de la decisin de comprar pueden ser distintos de los que explican su valor (ej., tener un contrato indenido en la compra de una casa) La misma variable puede tener diferentes impactos sobre cada una de ellas (ej. la edad en la adquisicin de seguro de vida)
Introduccin
Modelo Tobit
Di =
1
1, 0, si
1, 0,
si si
Yi > 0 Yi = 0
(5)
i=
en caso contrario
donde
exp (0
+ 1 X1,i + + k Xk ,i + Ui )
E (U |X1
si D
i =1
(6) (7)
i , . . . , Xki ) = 0
si
Yi = 0 + 1 X1,i + + k Xk ,i + Ui
(6) (7)
implican
(6)
equivale a
Di = 1 X k ,i + 2
2
(8)
Las ecuaciones
0 + 1 1,i + + k
Introduccin
Modelo Tobit
No impone que las mismas variables y con el mismo coeciente determinen tanto Y como la censura D
(7)
Introduccin
Modelo Tobit
El modelo en dos partes es ms exible, tanto en sus supuestos como en el nmero de parmetros Si las restricciones del modelo Tobit son correctas, resulta ms eciente estimarlo
pero no siempre pueden compararse ambos modelos
Un modelo en dos partes con el supuesto adicional de normalidad s es una generalizacin del modelo Tobit para datos log-normales
este modelo en dos partes una formulacin ms general dentro de la misma clase de modelos como ambos modelos estn anidados, se puede contrastar si el resto de restricciones del modelo Tobit son correctas
Introduccin
Modelo Tobit
1 2 3
La probabilidad de censura, cuya prediccin puede obtenerse directamente de la estimacin de la primera parte del modelo El valor predicho de las observaciones no censuradas se obtiene directamente de la estimacin de la segunda parte del modelo El valor predicho de las observaciones (censuradas o no), E (Y |X
i i , Wi ) ,
Asimismo, nos interesan los tres efectos marginales relacionados con estas magnitudes Notad que aqu no existe ninguna variable latente que predecir, ni para la cual estimar efecto marginal.
Introduccin Limitaciones
Modelo Tobit
Una de las principales ventajas del modelo en dos partes reside en que puede estimarse cada parte por separado. El supuesto clave para esto es la independencia entre los trminos de error de cada ecuacin
y U .
Sin embargo, existen situaciones en que este supuesto no es realista Relajar este supuesto nos lleva a una nueva clase de modelos, que tiene gran importancia en Economa.
Introduccin
Modelo Tobit
observacionales
Atrition en datos de panel: individuos no observados en periodos posteriores por razones relacionadas con el estudio
Ej.: programa de formacin
Introduccin
Modelo Tobit
=MCO
yi
consistente
= 0 + 1 xi + ui ,
Di
E (ui |xi )
= E ( ui xi ) = 0
=1
si se observa
( yi , xi )
Di yi E ( D i xi ui ) E (Di xi ui )
= 0 + 1 Di xi + Di ui
slo si D es una funcin de x
=0
Introduccin
Modelo Tobit
i = Yi
ECUACIN DE SELECCIN
Di
1, 0,
i >0 si Di 0
si D
Yi
Yi ,
si D
si D
i =1 i =0
Di
=1
Introduccin
Modelo Tobit
Di Yi
= =
U1i U2i
la varianza
|Wi , Xi N
0 0
12
12 2 2
2 = 1 1
observa el signo de D
Introduccin
Modelo Tobit
E (Yi |Xi , Wi , Di
Aunque E (U2 |X
i i , Wi ) = 0
porque U2 es independiente de X y W ,
el ltimo trmino no es igual a cero porque U2 S est relacionado con D a travs de su correlacin con U1
E (U2i |Xi , Wi , Di
donde
= 1) = (1i )
1i (z )
= = =
0 + 1 W1i + + q Wqi
( )/( )
12/ 2 2
Introduccin
Modelo Tobit
Sesgo en MCO
Sabemos que la esperanza condicional es
E (Yi |Xi , Wi , Di
= 1)
= +
Qu sucede si estimamos por mnimos cuadrados ordinarios la ecuacin Y en funcin de las variables X ?
Yi
= 0 + 1 X1i + + k Xki + i j j
??
Si
= 0,
estar sesgado
por la omisin de una variable relevante
(1i )
en
1i
(1i )
porque los
NO son conocidos
Introduccin
Modelo Tobit
la muestra
Pr (D
y calcular una variable con el valor para cada individuo del ratio de Mills predicho
i = (1i )
2
Estimar por MCO la ecuacin de resultados para la variable Y en la
= 0 + 1 X1i + + k Xki + k +1 i + i
Introduccin
Modelo Tobit
j k +1
j ,
= 1, . . . , k
Se puede contrastar fcilmente si existe seleccin muestral H0 Sin embargo, la estimacin en dos etapas NO es eciente:
:=0
estimando conjuntamente las dos ecuaciones la varianza de los parmetros estimados es menor
en lugar de una
Introduccin
Modelo Tobit
f (yi , di |Wi , Xi )
Pr (D
si D
i =0 si Di = 1
, , 12 , 2 = 2
Pr (D
i =1
i = 1|Wi ; ) f
y |X
i i , Di = 1; , 12 , 2 2
Di
La estimacin conjunta del modelo de truncamiento incidental explota el supuesto de normalidad conjunta de los errores Esto permite escribir la forma concreta de la
funcin de
(log-)verosimilitud
Modelo Tobit
Yi
= 0 + 1 X1i + + k Xki + k +1 i + i
i = (0 + 1 W1i + + q Wqi )
depende, en su expresin-forma funcional, del supuesto de normalidad
(z ) =
(z ) (z )
Modelo Tobit
Limitaciones (2)
Sin normalidad, se tendr (en muchas ocasiones) que
E (Yi |Xi , Wi , Di
= 1)
= +
0 + 1 X1i + + k Xki
g
0 + 1 W1i + + q Wqi
la funcin g
()
()
seleccin
(),
a menos que
Modelo Tobit
Identicacin
Cuando W
()
linealmente y/o
g
(0 + 1 W1i + + q Wqi )
alguna de ellas)
(1i )
(1i )
y las
()
i = Wi
si
Modelo Tobit
Identicacin (2)
La adecuada identicacin del modelo requiere que las variables X sean un subconjunto de las variables W
i
i i
1 2
(instrumentos ) no
(1i ),
i
i
evita confundir g
(1i )
()
Introduccin
Modelo Tobit
En esencia, no existen diferencia con lo que ya sabemos para otros modelos. Segn nuestro inters, se puede querer predecir:
la probabilidad de seleccin (ecuacin probit) el valor de la variable de inters truncada (ecuacin con correccin) el valor de la variable latente de inters alguna combinacin de las anteriores
Tambin segn el caso, puede interesarnos los efectos marginales asociados a cada una de las expresiones anteriores En todos los casos, se necesita una adecuada estimacin (consistente, no sesgada) de los parmetros relevantes.