Professional Documents
Culture Documents
|
|
.
|
\
|
|
|
.
|
\
|
~
|
|
.
|
\
|
1
,
0
0
1
1
2
1
2
1
o
o o
N
u
u
De esta forma, la ecuacin de seleccin se convierte en un modelo Probit. Por su
parte, recordemos que la varianza de la distribucin en la ecuacin Probit puede ser
normalizada a uno sin prdida de informacin ya que la escala de la variable
dependiente no es observada.
De esta manera, usando el supuesto de normalidad y las propiedades de la
normal bivariada truncada podemos calcular:
| | o | z v v E x y y E > + = >
2 1 2 1
/ ) 0 / ( (c)
(
+ =
1
1
o
o |
z
x
( )
( ) o
o |
o |
z
z
x
u
+ =
1
1
( )
( ) o
o |
o |
z
z
x
u
+ =
1
Consideramos que la razn inversa de Mills siempre es positiva, la regresin de
y sobre x est sesgada dependiendo del valor de
As la magnitud del sesgo depender de la magnitud de la correlacin entre los
errores ) ( , la varianza relativa del error ) (
1
o y la severidad del truncamiento (la
razn inversa de Mills es mayor cuando o z es menor). As, si =0 entonces no habrs
sesgo de seleccin
2. Estimacin del modelo de Heckman.
As utilizando la siguiente especificacin:
= > ) 0 / (
2 1
y y E
( )
( ) o
o |
o |
z
z
x
u
+
1
El objetivo es estimar | en la ecuacin (b) por MCO incluyendo en dicha
ecuacin la medida
( )
( ) o
o |
z
z
u
. Con este fin Heckman (1979) sugiere realizar los siguientes
pasos:
1. Estimar o consistentemente usando un probit para la probabilidad de observar
los datos en funcin de z.
2. Calcular su valor ajustado para la funcin ndice o variable latente
o i
i
z y
. .
=
2
y calcular la razn inversa de Mills i
.
como funcin de
i
y
2
.
.
3. Incluir i
.
en la regresin de
i
y
1
sobre
i
x para aproximar ( ) o
i
z . El
coeficiente de i
.
ser una medida de
1
o y de esta forma una estimacin de
y de
1
o puede ser obtenida a partir de all.
Los valores resultantes (estimadores) de
1
, o | y son consistentes pero
asintticamente ineficientes bajo el supuesto de normalidad. La gran importancia de este
mtodo es su sencillez , puesto que slo se necesita realizar un probit y un MCO.
No obstante y una vez establecido este mtodo, existen por lo menos tres
aspectos que se deben considerar con respecto a este estimador en dos etapas:
1. El estimador del error estndar convencional en (a) es inconsistente pues el
modelo de regresin en (c) es intrnsecamente heterocedstico debido a la
seleccin. Una forma de solucionar esto es mediante el uso de los estimadores
de los errores estndar robustos los cuales son, al menos consistentes.
2. El mtodo no impone la condicin que 1 s lo cual est implcitamente
asumido en el modelo. Esta condicin es a menudo no respetada.
3. El supuesto de normalidad es necesario para la consistencia de los estimadores.
3. Estimacin por Mxima Verosimilitud (ML).
En el mtodo por mxima verosimilitud lo primero que debemos hacer es
especificar el modelo, tal como hemos visto en las ecuaciones (a) y (b), para una vez
especificado realizar la estimacin de manera conjunta.
En este caso al considerar el sesgo de seleccin cada grupo tendr diferente
funcin de verosimilitud. Como tenemos dos tipos de observaciones:
1. Aquellas donde
1
y es observada para lo cual sabemos que se cumple que
0
2
> y . Para estas observaciones la funcin de verosimilitud es la probabilidad
del evento
1
y y que tambin ocurra que 0
2
> y .
( ) ) , , / 0 ( ) , / 0 , (
1 2 1 2 1
z x y y P y f z x y y P
i i i i i
> = >
( ) ) , , / (
1 2 1
z x v z v P v f
i i i i
o > =
( )
i
z
i i
i i
dv v v f
x y
i
2 1 2
1
1
1
/
1
}
|
|
.
|
\
|
=
o
o
|
|
o
( )
i
z
i i i
i i
dv
x y v
x y
i
2
2
1
1
2
1
1
1 1
1
}
(
(
(
(
|
|
.
|
\
|
=
o
|
o
|
o
|
o
( )
(
(
(
(
|
|
|
|
.
|
\
|
+
u
|
|
.
|
\
|
=
2
1
1
1
1
1 1
1
1
|
o
o
o
|
|
o
i i i
i i
x y z
x y
( )
(
(
(
(
|
|
|
|
.
|
\
|
+
u
|
|
.
|
\
|
=
2
1
1
1
1
1 1
1
|
o
o
o
|
|
o
i i i
i i
x y z
x y
2. Aquellas donde
1
y no es observada para lo cual sabemos que se cumple que
0
2
s y del manera, no tenemos informacin independiente para
1
y .
( ) o
i i
z v P y P s = s
2 2
) 0 (
) ( o
i
z u =
) ( 1 o
i
z u =
De esta manera considerando la funcin de verosimilitud para todos los
elementos de la muestra obtendramos la siguiente expresin:
+ u =
)) ( 1 log( ) , , , , ( log
1
o o o |
i
z datos L
( )
(
(
(
(
|
|
|
|
.
|
\
|
+
u +
|
|
.
|
\
|
+
1
log log log
1
1
1
1
1
|
o
o
o
|
| o
i i i
i i
x y z
x y
Estos estimadores sern consistentes y asintticamente eficientes bajo el
supuesto de normalidad y homocedasticidad de los trminos de error no censurados.
Aunque unos de los problemas que tiene la estimacin por ML es que la funcin no es
estrictamente cncava y en consecuencia no necesariamente existe una nica solucin.
BIBLIOGRAFIA.
- Gonzalez Espitia, Carlos G.Sesgo de seleccin muestral con STATA
- Gujarati (2010). Econometra. Mxico. Mc Graw Hill.
- Heckman James J. (enero 1979) Sample selection bias as a specification
errorEconometrica. Journal of the Econometric Society (47): pp.153-161.
- MADDALA G.S. (1983), Limited Dependent and Qualitative Variables in
Econometrics, Econometric. Society Monographs.
- Murray, M. (2006). Econometrics: a modern introduction. Ed. Pearson.
- Prez L. Csar (2006). Problemas resueltos de econometra, Ed. Thomson.
- STATA CORP (2008). Users Guide, Reference Manual Release 10. Stata Press.
- Wooldridge, J. (2006). Introduccin a la Econometra. Un enfoque moderno.
Ed.Thomson.