Variavel Dependente Qualitativa

Microeconometria
Variveis dependentes limitadas e seleo amostral
Alan Andr Borges da Costa
Universidade Federal de Ouro Preto
Maro 2013
Alan Costa (UFOP) Microeconometria Maro 2013 1 / 42

Modelo de probabilidade linear
At o momento a varivel dependente era contnua. Como estimar

um modelo com varivel binria (ou qualitativa)?


Quando a varivel dependente binria podemos dizer que
P (y = 1jx) = E (y jx)
como fazer esta conta na prtica?

Exemplo 1 - Calculando a probabilidade de emprego
Empregado (y) Masculino Escolaridade
1 1 Superior
0 1 Superior
0 1 Mdio
1 0 Mdio
0 0 Fundamental
1 0 Superior
Como calcular e interpretar as seguintes medidas?
E (y )
E (y jmasculino = 1)
E (y jsuperior )
E (y jmasculino = 1, superior )
E (y jmasculino = 0, superior )




P (y = 1jx) = E (y jx)


P (y = 1jx) = E (y jx)

Assim, a probabilidade de sucesso, condicionando em x, ser dada por
P (y = 1jx) = 0 + 1 x1 + + k xk


P (y = 1jx) = E (y jx)

Assim, a probabilidade de sucesso, condicionando em x, ser dada por
P (y = 1jx) = 0 + 1 x1 + + k xk
Podemos estimar esta equao por MQO
yb = b
0 + b
1 x1 + +b
k xk
denominando-a como Modelo de Probabiliade Linear (MPL)

Como interpretar este modelo?

Como interpretar este modelo?

Suponha que um economista tenha modelado a participao de uma
mulher casada no mercado de trabalho obtendo os seguintes
resultados
partip = 0, 586 0, 0034 (renda) + 0, 038 (educ ) + 0, 039 (exper )

0, 00060 exper 2 0, 016 (idade )
0, 262 (lhounder 6) + 0, 0130 (lhobetween6 18)
como interpretar os coecientes?

Grco 1 - Relao entre a probabilidade estimada e anos de
educao

Como saber se o modelo possui um bom ajuste aos dados?

Neste caso podemos utilizar a porcentagem corretamente predita
utilizando a seguinte regra:
yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5

yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5
Se o MPL interessante por que no utilizado para modelar
probabilidades?

yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5
probabilidades?
Alguns problemas

yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5
probabilidades?
Alguns problemas
probabilidades menores que zero e maiores que um;

yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5
probabilidades?
Alguns problemas
probabilidades no so linearmente relacionadas com as variveis
dependentes em todos os valores (exemplo lho);

yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5
probabilidades?
Alguns problemas
quando y binrio a varincia condicional ser dada por
Var (y jx) = p (x) [1 p (x)]
qual o problema neste caso?

yei = 1 se yb 0, 5
yei = 0 se yb < 0, 5
probabilidades?
Alguns problemas
quando y binrio a varincia condicional ser dada por
Var (y jx) = p (x) [1 p (x)]
qual o problema neste caso?
Como resolver estes problemas?
Variveis dependentes limitadas: introduo
Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alguns exemplos:


Alguns exemplos:
participao em programas assistenciais;


Alguns exemplos:
nmero de vezes que a pessoa presa em determinado ano;


Alguns exemplos:
nota da graduo;


Alguns exemplos:
nota da graduo;
nmero de acidentes em rodovias etc.


Alguns exemplos:
nota da graduo;
Estudaremos especicamente 5 modelos


Alguns exemplos:
nota da graduo;
logit/probit;


Alguns exemplos:
nota da graduo;
logit/probit;
tobit;


Alguns exemplos:
nota da graduo;
logit/probit;
tobit;
poisson;


Alguns exemplos:
nota da graduo;
logit/probit;
tobit;
poisson;
modelos para censura nos dados;


Alguns exemplos:
nota da graduo;
logit/probit;
tobit;
poisson;
modelos para censura nos dados;
modelos de seleo amostral.

Modelos probit e logit: especicao
O primeiro modelo estudado aquele em que a varivel dependente

binria dado por
P (y = 1jx) = P (y = 1jx1 , x2 , . . . , xk )
em que
1 com probabilidade (p )
y=
0 com probabilidade (1 p )

O primeiro modelo estudado aquele em que a varivel dependente

binria dado por
P (y = 1jx) = P (y = 1jx1 , x2 , . . . , xk )
em que
1 com probabilidade (p )
y=
0 com probabilidade (1 p )
Para superar os problemas do MPL suponha que o modelo de
resposta binria seja dado por
0
P (y = 1jx) = G ( 0 + 1 x1 + + k xk ) = G ( 0 + x) = F x
em que 0 < G (z ) < 1 uma cdf . O MPL utilizava uma cdf ? Qual
funo G (z ) utilizar?

Uma opo seria utilizar a funo Logit dada por
exp(z )
G (z ) = (z ) =
1 + exp(z )

exp(z )
G (z ) = (z ) =
1 + exp(z )
Uma segunda opo seria utilizar a funo Probit
Z
G (z ) = (z ) = (z ) dz

em que
1/2 z2
(z ) = (2 ) exp 2

exp(z )
G (z ) = (z ) =
1 + exp(z )
Uma segunda opo seria utilizar a funo Probit
Z
G (z ) = (z ) = (z ) dz

em que
1/2 z2
(z ) = (2 ) exp 2
Ambas as funes possuem as seguintes propriedades:

z ! ) G (z ) ! 0 e z ! ) G (z ) ! 1

Grco 2 - Funo logstica

Grco 3 - Probabilidade de pescar no barco versus pier

Modelos probit e logit: varivel latente
Os modelos de varivel dependente binria podem ser vistos como um
modelo de varivel latente. O que uma varivel latente?

Suponha que desejamos explicar uma varivel no observada y . No
entanto, observamos apenas y que assume o valor 0 ou 1 caso
determinado valor (threshold ou limiar) seja alcanado. Que exemplo
podemos dar deste tipo de modelagem?

Se estivermos modelando, por exemplo, o mercado de trabalho
podemos dizer que y pode ser o desejo de trabalhar (salrio reserva?)
0
y = x +u
Observamos esta varivel? O que observamos?

Se estivermos modelando, por exemplo, o mercado de trabalho
podemos dizer que y pode ser o desejo de trabalhar (salrio reserva?)
0
y = x +u
Observamos esta varivel? O que observamos?
Infelizmente observamos apenas
1 se y > 0
y=
0 se y 0

Assim,
P [y = 1jx] = P [y > 0jx]

h 0 i
= P x + u > 0jx
h 0
i
= P u < x jx
0
= G x

Modelos probit e logit: especicao e interpretao
Lembre-se que a regresso a ser estimada dada por
P (y = 1jx) = G ( 0 + x)
Como interpretar o coeciente? De outro modo: como estimar o
efeito de xj na probabilidade P (y = 1jx)?

P (y = 1jx) = G ( 0 + x)
Assim, temos que o efeito parcial de xj sobre p (x)
p (x)
= g ( 0 + x) j
xj
dG (z )
em que g (z ) = dz . Repare que o efeito parcial segue o sinal de j .

P (y = 1jx) = G ( 0 + x)
p (x)
= g ( 0 + x) j
xj
dG (z )
Como calcular o efeito de uma varivel explicativa binria ou o
aumento em uma unidade em uma varivel contnua?

P (y = 1jx) = G ( 0 + x)
p (x)
= g ( 0 + x) j
xj
dG (z )
Como calcular o efeito de uma varivel explicativa binria ou o
aumento em uma unidade em uma varivel contnua?
Estes efeito sero dados respectivamente por
G ( 0 + 1 + 2 x2 + + k xk ) G ( 0 + 2 x2 + + k xk )
G ( 0 + 1 x1 + + k (ck + 1)) G ( 0 + 1 x1 + + k (ck ))
repare que em todos os casos o efeito parcial depende de xj .
Tabela 1 - Probabilidades e efeitos marginais dos modelos de
variveis dependentes binrias
Modelo Probabilidade P [y = 1jx] Efeito Marginal
h (p/x
i j)
0 ex 0 0
Logit x = 1 +e x
x 1 x j
Z
0 0
Probit x = (z ) dz x j

0
MPL x j

Como resolver o problema do efeito parcial ser dependente de xj ?

Uma alternativa seria substituir cada varivel explicativa pela sua
respectiva mdia, ou seja,
p (x) b
=g b
0 + b
1 x1 + b
2 x2 + +b
k xk j = g b
0 + x j
xj
obtemos o efeito parcial na mdia (PEA).

p (x) b
=g b
0 + b
1 x1 + b
2 x2 + +b
k xk j = g b
0 + x j
xj
Algumas crticas:

p (x) b
=g b
0 + b
1 x1 + b
2 x2 + +b
k xk j = g b
0 + x j
xj
Algumas crticas:
existe certa diculdade de interpretar variveis binrias;

p (x) b
=g b
0 + b
1 x1 + b
2 x2 + +b
k xk j = g b
0 + x j
xj
Algumas crticas:
o que fazer quando temos funes no lineares como, por exemplo, x 2
ou ln (x ).

p (x) b
=g b
0 + b
1 x1 + b
2 x2 + +b
k xk j = g b
0 + x j
xj
Algumas crticas:
o que fazer quando temos funes no lineares como, por exemplo, x 2
ou ln (x ).
Um outro modo de realizar este clculo utilizar o efeito parcial
mdio (APE ) " #
n
n g b
1
+ xi b b
0 j
i =1

Um outro modo de interpretar o modelo logit seria atravs da razo

de chances (odds ratios) ou risco relativo (relative risk) dado por
e (z )
p =
1 + e (z )
p 0
ln = x
1 p
suponha que ao testar um determinado medicamento temos os

seguintes resultados: y = 1 se o indivduo sobreviveu e y = 0 caso ele
tenha falecido. Se
p
ln =2
1 p
qual ser a interpretao deste resultado

Modelos probit e logit: estimao
Como estimar este modelo?


Devido ao formato no linear utilizada a estimao por mxima
verossimilhana. De modo geral, como calcular um modelo de
mxima verossimilhana?


Devido ao formato no linear utilizada a estimao por mxima
verossimilhana. De modo geral, como calcular um modelo de
mxima verossimilhana?
A funo utilizada e sua log-verossimilhana so dadas
respectivamente por
f (y jx) = piy (1 pi )1 y
= [G (x)]y [1 G (x)]1 y
n
L ( ) = li ( )
i =1
como encontrar ?

As condies de primeira ordem levam a

n
yi 1 yi

0 0
G (x) x G (x) x = 0
i =1 Gi (x) 1 Gi (x)
n
yi Gi (x)

0
G (x) x = 0
i =1 Gi (x) [1 Gi (x)]


n
yi 1 yi

0 0
G (x) x G (x) x = 0
i =1 Gi (x) 1 Gi (x)
n
yi Gi (x)

0
G (x) x = 0
i =1 Gi (x) [1 Gi (x)]
A soluo deste problema produzir um estimador b que maximiza a

log-verossimilhana com as seguintes caracteristicas:


n
yi 1 yi

0 0
G (x) x G (x) x = 0
i =1 Gi (x) 1 Gi (x)
n
yi Gi (x)

0
G (x) x = 0
i =1 Gi (x) [1 Gi (x)]

consistente;


n
yi 1 yi

0 0
G (x) x G (x) x = 0
i =1 Gi (x) 1 Gi (x)
n
yi Gi (x)

0
G (x) x = 0
i =1 Gi (x) [1 Gi (x)]

consistente;
assimptoticamente normal;


n
yi 1 yi

0 0
G (x) x G (x) x = 0
i =1 Gi (x) 1 Gi (x)
n
yi Gi (x)

0
G (x) x = 0
i =1 Gi (x) [1 Gi (x)]

consistente;
assimptoticamente eciente.


n
yi 1 yi

0 0
G (x) x G (x) x = 0
i =1 Gi (x) 1 Gi (x)
n
yi Gi (x)

0
G (x) x = 0
i =1 Gi (x) [1 Gi (x)]

consistente;
assimptoticamente eciente.

Podemos utilizar novamente a percentagem corretamente predita

dada por 8
< yei = 1 se G b 0 + xi b
0, 5
: yei = 0 se G b
0 + xi b
< 0, 5
Repare que temos quatro possveis resultados para o par (yi , yei ).
Existem crticas a esta abordagem?

Podemos utilizar novamente a percentagem corretamente predita

dada por 8
< yei = 1 se G b 0 + xi b
0, 5
: yei = 0 se G b
0 + xi b
< 0, 5
Repare que temos quatro possveis resultados para o par (yi , yei ).
Existem crticas a esta abordagem?
O R 2 dos modelos Probit e Logit so denominados como Pseudo R 2 .

Tabela 2 - Estimao modelo probabilidade

Modelo Tobit
Existe um tipo de varivel dependente limitada cujo a quantidade de
zeros no desprezvel. Denominamos esta situao de soluo de
canto.

Modelo Tobit
canto.
Alguns exemplos:

Modelo Tobit
canto.
Alguns exemplos:
gastos com bebidas alcoolicas;

Modelo Tobit
canto.
Alguns exemplos:
doaes a instituies lantropicas;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
Seja y uma varivel essencialmente contnua ao longo de valores
estritamente positivos, mas que assuma zero com probabilidade
positiva. Podemos utilizar MQO neste caso? Por que?

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
Alguns problemas ao utilizar MQO:

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
valores preditos negativos;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
efeito parcial constante;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
heteroscedasticidade;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
heteroscedasticidade;
semelhante ao MPL a inferncia ser apenas assinttica devido a
quantidade de zeros (distribuio no normal);
Modelo Tobit
O modelo Tobit relacionada a varivel dependente observada a uma
varivel latente
y = 0 + x + u
y = max (0, y )
como aplicar este modelo a um caso real?

Modelo Tobit
O modelo Tobit relacionada a varivel dependente observada a uma
varivel latente
y = 0 + x + u
y = max (0, y )
como aplicar este modelo a um caso real?
Em ltimo caso estamos modelando a probabilidade da ocorrncia de
zeros, ou seja,
P (y = 0jx) = P (y < 0jx) =
= P (x + u < 0jx) =
= P (u < xjx)
u x
= P < jx

x x
= =1


Modelo Tobit
Assim, a densidade de y dado x ser dada por
8 h i h i
< 22 1/2 exp (y x)2 1 (y x)
2 2 = , y >0
: P (y = 0jx) = 1
x

ou
" #d
1 d
1 1 2 x
p exp (y x) 1
(22 ) 22
como obter os parmetros?

Modelo Tobit
Assim, a densidade de y dado x ser dada por
8 h i h i
< 22 1/2 exp (y x)2 1 (y x)
2 2 = , y >0
: P (y = 0jx) = 1
x

ou
" #d
1 d
1 1 2 x
p exp (y x) 1
(22 ) 22
como obter os parmetros?
A log-verossimilhana ser dada por
n
1 1 1
L ; 2 = di 2
ln (2 )
2
ln 2
22
(yi xi )2 +
i =1
xi
+ (1 di ) ln 1


Modelo Tobit
Por m as condies de primeira ordem so dadas por

N
L 1 i

= 2 di (yi x) (1 di )
(1 i )
xi = 0
i =1
( ! )
L N
1 (yi x)2 i x 1
2
= di
22
+
24
+ (1 di )
(1 i ) 23
=
i =1
como obter o vetor ?

Modelo Tobit
Por m as condies de primeira ordem so dadas por

N
L 1 i

= 2 di (yi x) (1 di )
(1 i )
xi = 0
i =1
( ! )
L N
1 (yi x)2 i x 1
2
= di
22
+
24
+ (1 di )
(1 i ) 23
=
i =1
como obter o vetor ?

Como calcular E (y jx)?

Modelo Tobit
Fica claro que para calcularmos E (y jx) necessrio levar em

considerao as caractersticas com relao a quantidade de zeros, ou
seja,
E (y jx) = P (y = 0jx) 0 + P (y > 0) E (y jx, y > 0) =

= P (y > 0) E (y jx, y > 0)
como calcular estas duas medidas?

Modelo Tobit
Fica claro que para calcularmos E (y jx) necessrio levar em

considerao as caractersticas com relao a quantidade de zeros, ou
seja,
E (y jx) = P (y = 0jx) 0 + P (y > 0) E (y jx, y > 0) =

= P (y > 0) E (y jx, y > 0)
como calcular estas duas medidas?

Para calcular a primeira medida, P (y > 0), basta estimar um modeo
probit em que este assume o valor 1 (representado por w = 1) se
y > 0 e 0 (representado por w = 0) caso contrrio
x
P (w = 1jx) = P (y > 0jx) = P (u > xjx) =


Modelo Tobit
Para calcular a segunda medida, E (y jx, y > 0), necessrio lembrar
alguns fatos de variveis aleatrias normalmente distribuidas. Se
z Normal (0, 1)
ento para qualquer constante c
(c )
E (z jz > c ) =
1 (c )
ento
u u x (x/)
E (u ju > x) = E j > = =
1 (x/)

Modelo Tobit
Para calcular a segunda medida, E (y jx, y > 0), necessrio lembrar
alguns fatos de variveis aleatrias normalmente distribuidas. Se
z Normal (0, 1)
ento para qualquer constante c
(c )
E (z jz > c ) =
1 (c )
ento
u u x (x/)
E (u ju > x) = E j > = =
1 (x/)
Assim,
E (y jx, y > 0) = x + E (u ju > x) =
x
= x +

Podemos simplesmente aplicar o estimador de MQO nas observaes
yAlan>Costa
0? (UFOP) Microeconometria Maro 2013 28 / 42
Modelo Tobit
A medida
x
x
=
x

denominada razo inversa de Mills

Modelo Tobit
A medida
x
x
=
x

denominada razo inversa de Mills

Lembrando, queremos estimar
E (y jx) = P (y > 0) E (y jx, y > 0)
substituindo P ( ) e E ( ) tem-se
x x
E (y jx) = x + =

x x
= x +

ca claro que a estimao, no caso de modelos Tobit, claramente
no linear. Como obter os efeitos marginais?
Modelo Tobit
O efeito marginal das observaes estritamente positivas ser

dado por
E (y jx, y > 0) d x
= j + j =
xj dxj
x x x
= j 1 +

como obter o efeito marginal j que este dependente de ( )?

Modelo Tobit

dado por
E (y jx, y > 0) d x
= j + j =
xj dxj
x x x
= j 1 +

O efeito marginal para todas as observaes (y 0) ser dado por
E (y jx) x
= j
xj

Modelo Tobit

dado por
E (y jx, y > 0) d x
= j + j =
xj dxj
x x x
= j 1 +

O efeito marginal para todas as observaes (y 0) ser dado por
E (y jx) x
= j
xj

Qual a validade da estimao do Tobit e a hiptese de normalidade e
homoscedasticidade?
Modelo Tobit
Suponha uma amostra de 753 mulheres casadas sendo que

428 mulheres trabalham;
dentre as que trabalham a quantidade de horas trabalhadas varia de 12
a 4.950 horas anuais;
Como estimar este modelo? Como justicar a metodologia utilizada

Tabela 3 - Estimao de MQO e Tobit de horas anuais trabalhadas
Variaveis independentes MQO Tobit
Renda -3,45 -8,81
educ 28,76 80,65
exper 65,67 131,56
exper2 -0,70 -1,86
idade -30,51 -54,41
lhounder6 -442,09 -894,02
lhobetween(6 18) 32,78 -16,22
constante 1.330,48 965,31
Valor de Log-verossimilhana - -3.819,09
R-Quadrado 0,266 0,274
b
750,18 1.122,02

Modelo de Poisson
Podemos modelar valores de y no negativos em que este est
relacionado a contagem de alguns eventos.

Modelo de Poisson
Alguns exemplos:

Modelo de Poisson
Alguns exemplos:
nmero de lhos de uma mulher;

Modelo de Poisson
Alguns exemplos:
nmero de vezes em que o indivduo foi preso durante o ano;

Modelo de Poisson
Alguns exemplos:
nmero de patentes solicitadas por uma rma;

Modelo de Poisson
Alguns exemplos:
Um possvel modo de levar em considerao a caracterstica dos
dados podemos utilizar a seguinte funo para modelar y
E (y jx1 , x2 , ..., xk ) = exp ( 0 + 1 x1 + ... + k xk )
como interpretar os parmetros?

Modelo de Poisson
Alguns exemplos:
Um possvel modo de levar em considerao a caracterstica dos
dados podemos utilizar a seguinte funo para modelar y
E (y jx1 , x2 , ..., xk ) = exp ( 0 + 1 x1 + ... + k xk )
como interpretar os parmetros?

A interpretao facilitada quando aplicamos o log
ln [E (y jx1 , x2 , ..., xk )] = 0 + 1 x1 + ... + k xk

Modelo de Poisson
Podemos utilizar a distribuio normal para modelar este tipo de
varivel. Por que?

Modelo de Poisson
varivel. Por que?
Suponha que estamos diante de um modelo de poisson em que a
distribuio determinada inteiramente pela sua mdia
e y
f (y jx ) = y = 0, 1, 2, ...
y!
E (y jx) = Var (y jx)

Modelo de Poisson
varivel. Por que?
e y
f (y jx ) = y = 0, 1, 2, ...
y!
Assim, utilizando a distribuio de poisson tem-se
exp [ exp (x)] [exp (x)]h
P (y = h jx) = h = 0, 1, ...
h!

Modelo de Poisson
varivel. Por que?
e y
f (y jx ) = y = 0, 1, 2, ...
y!
Assim, utilizando a distribuio de poisson tem-se
exp (x)] [exp (x)]h
exp [
P (y = h jx) = h = 0, 1, ...
h!
Como o modelo no linear podemos utilizar o estimador de mxima
verossimilhana
n n
L ( ) = l ( ) = fyi xi exp (xi )g
i =1 i =1

Modelo de Poisson
O efeito marginal de x em y no modelo de Poisson dado por
E (y jx)
= exp (x) j
xj
o efeito constante? Como interpretar?

Modelo de Poisson
E (y jx)
= exp (x) j
xj

Estamos sob a seguinte hiptese
e caso esta igualdade no for satisfeita? As estimaes so vlidas?

Modelo de Poisson
E (y jx)
= exp (x) j
xj

Estamos sob a seguinte hiptese
e caso esta igualdade no for satisfeita? As estimaes so vlidas?

Uma hiptese menos restritiva seria
Var (y jx) = 2 E (y jx)
quando 2 > 1 temos superdisperso e 2 < 1 subdisperso

Modelos de regresso censurada
O problema de censura dos dados est relacionado ao vetor y .


Suponha que
yi = 0 + xi + ui
wi = min (yi , ci )


Suponha que
yi = 0 + xi + ui
wi = min (yi , ci )
Um exemplo de censura a direita seria a codicao superior em

algumas pesquisas. Qual o problema de utilizar o estimador de MQO
neste tipo de dado?


Suponha que
yi = 0 + xi + ui
wi = min (yi , ci )

neste tipo de dado?
Neste caso o estimador de MQO ser inconsistente!


Suponha que
yi = 0 + xi + ui
wi = min (yi , ci )

neste tipo de dado?
Neste caso o estimador de MQO ser inconsistente!
No caso do Tobit estavamos modelando um comportamento
econmico que gerava uma quantidade elevada de zeros na amostra.
E no caso de censura? Como resolver o problema?

Repare que temos uma amostra aleatria consituida pelo par (xi ; wi ).
Como estimar o modelo?

Para observaes no censuradas teremos wi = yi . E para
observaes censuradas?

Neste caso necessrio calcular qual ser a probabilidade de
ocorrncia do valor da censura
P (wi = ci jxi ) = P (yi ci jxi ) =
= P (ui ci xjxi ) =
c x
= 1


Neste caso necessrio calcular qual ser a probabilidade de
ocorrncia do valor da censura
P (wi = ci jxi ) = P (yi ci jxi ) =
= P (ui ci xjxi ) =
c x
= 1

Combinando as duas partes tem-se
8 h i
< 1 ci x w = ci
f (w jxi , ci ) = h i
: 1 w x w < ci


Modelos de regresso truncada
A censura afeta apenas a varivel y . Quando a amostra truncada y
e x sero afetados.

e x sero afetados.
Podemos ter truncation from below
y = y se y > ci
Qual o problema ao aplicar MQO?

e x sero afetados.
y = y se y > ci
Neste caso no temos uma amostra aleatria: o par (x, y )
observado apenas quando yi ci

e x sero afetados.
y = y se y > ci
Para estimar j precisamos da distribuio de yi dados yi ci e xi .
f y jx, , 2
g (y jx, c ) = y c
F (c jx, , 2 )
como obter os estimadores?

e x sero afetados.
y = y se y > ci
Para estimar j precisamos da distribuio de yi dados yi ci e xi .
f y jx, , 2
g (y jx, c ) = y c
F (c jx, , 2 )
como obter os estimadores?
Exemplo: Hausman e Wise (1977) utilizaram dados de um
experimento de imposto de renda negativo para estudar vrios
determinantes de receita. Para ser incluida no estudo uma famlia
deveria ter renda inferior a 1,5 vezes a linha de pobreza.
Correo de seleo amostral
As vezes a amostra selecionada no aleatria;


Um tipo de seleo amostral dado pelo seguinte modelo
y = x + u
s = 1 [z + v 0]


Um tipo de seleo amostral dado pelo seguinte modelo
y = x + u
s = 1 [z + v 0]
Aplicando o valor esperado em y
E (y jz,v ) = x + E (u jz, v ) =
= x + E (u jv )
= x + (z)
em ( ) o inverso da razo de mills

Como estimar esta equao?


A estimao realizada em dois estgios


No primeiro estgio estima-se o inverso da razo de mills
P (s = 1jz) = (z)


No primeiro estgio estima-se o inverso da razo de mills
P (s = 1jz) = (z)
Obtenha o predito do primeiro estgio e estime a seguinte regresso

b
y = x +

Como estimar estes modelos no Stata?
Probit
probit depvar indepvars
Logit
logit depvar indepvars
Tobit
tobit depvar indepvars, ll()
Poisson
poisson depvar indepvars
Seleo amostral
heckman depvar indepvars, select(varlist_s)

Referncia
Cameron e Trivedi (2005)

Wooldridge (2002)
Wooldridge (2010) [cap. 7, p.233-236] [cap.17]

Variavel Dependente Qualitativa

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Variavel Dependente Qualitativa

Enviado por

Direitos autorais:

Formatos disponíveis

Microeconometria

Variveis dependentes limitadas e seleo amostral

Alan Andr Borges da Costa

Universidade Federal de Ouro Preto

Alan Costa (UFOP) Microeconometria Maro 2013 1 / 42

At o momento a varivel dependente era contnua. Como estimar

Alan Costa (UFOP) Microeconometria Maro 2013 2 / 42

At o momento a varivel dependente era contnua. Como estimar

como fazer esta conta na prtica?

Alan Costa (UFOP) Microeconometria Maro 2013 2 / 42

Como calcular e interpretar as seguintes medidas?

Alan Costa (UFOP) Microeconometria Maro 2013 3 / 42

At o momento a varivel dependente era contnua. Como estimar

Alan Costa (UFOP) Microeconometria Maro 2013 4 / 42

At o momento a varivel dependente era contnua. Como estimar

como fazer esta conta na prtica?

Alan Costa (UFOP) Microeconometria Maro 2013 4 / 42

At o momento a varivel dependente era contnua. Como estimar

como fazer esta conta na prtica?

Alan Costa (UFOP) Microeconometria Maro 2013 4 / 42

At o momento a varivel dependente era contnua. Como estimar

como fazer esta conta na prtica?

Podemos estimar esta equao por MQO

denominando-a como Modelo de Probabiliade Linear (MPL)

Alan Costa (UFOP) Microeconometria Maro 2013 4 / 42

Como interpretar este modelo?

Alan Costa (UFOP) Microeconometria Maro 2013 5 / 42

Como interpretar este modelo?

partip = 0, 586 0, 0034 (renda) + 0, 038 (educ ) + 0, 039 (exper )

como interpretar os coecientes?

Alan Costa (UFOP) Microeconometria Maro 2013 5 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 6 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Alan Costa (UFOP) Microeconometria Maro 2013 7 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

Em alguns casos temos Variveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Maro 2013 8 / 42

O primeiro modelo estudado aquele em que a varivel dependente

Alan Costa (UFOP) Microeconometria Maro 2013 9 / 42