Beruflich Dokumente
Kultur Dokumente
3
Modelo de variables instrumentales (VI).
Escribimos el modelo de regresin como:
y = 0 + 1 x1 + u
donde,
C ov(x,u ) 0
VI.1 C ov(z,u ) = 0
VI.2 C ov(z, x) 0
4
Modelo de variables instrumentales (VI).
5
Ejemplo: asistencia a clase.
Modelo:
score = 0 + 1s k ip p e d + u
6
Identificacin.
La identificacin de un parmetro 1 implica que podemos
escribir 1 en trminos de momentos poblacionales que se
pueden estimar usando una muestra.
Usando el modelo
y = 0 + 1 x1 + u
vemos que
C o v ( z , y ) = 1C o v ( z , x ) + C o v ( z , u )
(z z )( y i y )
1 = i
(z i z )( xi x )
El estimador de VI de 0 es simplemente
)
0 = y 1 x
8
Inferencia estadstica con el EVI.
Similitud con el EMCO: asintticamente normal en
muestras grandes.
Var ( u / z ) = 2 = Var (u )
Entonces
2
AVar ( 1 ) =
n x2 xz2
9
Errores estndar EVI.
A V a r ( 1 )
puede estimarse consistentemente dada una muestra.
Error estndar: raz cuadrada de la estimacin de A V ar ( 1 ) .
2
S S T x R x2z
donde R x2z es el coef. de determinacin de la regresin de x s. z,
1
2 = u i2
n 2
Adems se puede comparar las AVar de los EVI y de los EMCO:
2 2
AVar ( VI ) = AVar ( 1 ) =
MCO
n x2 xz2 n x2
1
10
VI pobres o dbiles.
11
R-cuadrado en la estimacin por VI.
La mayora de paquetes economtricos calculan
S S R
R 2
= 1
S S T
donde SSR es la suma de cuadrados de los residuos de la estimacin
VI.
En este caso R-cuadrado puede ser negativo ya que SSR
puede ser mayor que SST.
Adems cuando x y u estn correlados, no podemos
descomponer la varianza de y en 1 2 V a r ( x ) + V a r ( u ) , por
lo que el R-cuadrado no tiene interpretacin natural.
Si el objetivo es reportar el mayor R-cuadrado posible,
entonces EMCO es la solucin.
12
Estimacin VI del modelo de regresin mltiple.
y1 = 0 + 1 y 2 + 2 z1 + u1
13
EVI para regresin mltiple.
y1 = 0 + 1 y 2 + 2 z1 + u1
14
EVI para regresin mltiple (II).
Estas condiciones son equivalentes a
E(u1) = 0, E(u1z1) = 0, E(u1z2) = 0.
1 y
n
i = 1
z i1 ( y i1 0 i 2 2 z i1 ) = 0
1 y
n
i = 1
z i 2 ( y i1 0 i 2 2 z i1 ) = 0
16
Formas reducidas.
Forma reducida de y2
y 2 = 0 + 1 z1 + 2 z 2 + v 2
donde
E(v2) = 0, Cov(v2, z1) = 0, Cov(v2, z2) = 0.
17
EVI para regresin mltiple: ms de dos
variables.
y 1 = 0 + 1 y 2 + 2 z 1 + ... + k z k 1 + u 1
18
Mnimos cuadrados bietpicos.
19
El caso de una sola variable explicativa endgena.
y1 = 0 + 1 y 2 + 2 z1 + u 1
E ( v 2 ) = 0 , C o v ( v 2 , z1 ) = 0 , C o v ( v 2 , z 2 ) = 0 , C o v ( v 2 , z 3 ) = 0
20
VI ptimas.
y 2* = 0 + 1 z1 + 2 z2 + 3 z3
21
Interpretacin de la primera etapa.
La forma reducida de y2
y 2 = 0 + 1 z1 + 2 z 2 + 3 z 3 + v 2
22
Interpretacin de la segunda etapa.
Esta basada en la utilizacin de y2 como VI para y2
1 y
n
i = 1
y i 2 ( y i1 0 i 2 2 z i1 ) = 0
23
Variables Instrumentales: EMC2.
y 1 = 0 +
+ 2 z1 + u 1 + 1v 2
1 y *
2
24
Condiciones para inferencia asinttica vlida para EMC2.
y1 = 0 + 1 y 2 + 2 z1 + ... + k z k 1 + u1
25
Multicolinealidad y MC2.
S S T 2 (1 R 22 )
2
donde 2 = V ar ( u1 ) , SST2 es la varianza total de yy2 y R2 es el R2 de la
regresin de y2 sobre todas las otras variables exgenas que aparecen
en la ecuacin estructural.
Hay dos razones por las que la varianza del EMC2 es mayor que la
del EMCO:
Por construccin y2 tiene menos variacin que y2 (ya que y2 es un residuo).
26
Mltiples variables endgenas.
y1 = 0 + 1y2 + 2 y 3 + 3 z1 + 4 z2 + 5 z3 + u1
donde
E (u1 ) = 0 , C o v ( z j , u1 ) = 0
27
Soluciones VI para problemas de errores en las variables.
Consideramos el modelo
y 1 = 0 + 1 x 1* + 2 x 2 + u
28
Supuesto clsico de errores en variables (CEV).
y1 = 0 + 1 x1 + 2 x 2 + ( u 1e1 )
29
Posibles IV para errores de medida.
30
Contraste de endogeneidad.
El EMC2 es menos eficiente que el EMCO cuando las variables
explicativas son exgenas.
Por esta razn es til disponer de un contraste de endogeneidad de
una variable explicativa para ver si es necesario MC2.
Modelo
y 1 = 0 + 1 y 2 + 2 z 1 + 3 z 2 + u 1
31
Contraste de Hausman.
y 2 = 0 + 1 z1 + 2 z 2 + 3 z 3 + 4 z 4 + v 2
1 = 0
32
Contrastes de restricciones de sobreidentificacin.
33
Contrastes de restricciones de sobreidentificacin.
Modelo
y 1 = 0 + 1 y 2 + 2 z 1 + 3 z 2 + u 1
34