Modelo Tobit

Leandro Rocco

Leandro Rocco Finanças

Table of Contents

1 Modelo Tobit

2 Interpretação das Estimativas

3 Efeitos Parciais

Leandro Rocco Finanças

Table of Contents

1 Modelo Tobit

2 Interpretação das Estimativas

3 Efeitos Parciais

Leandro Rocco Finanças

Modelo Tobit

Modelo de Regressão Censurada: amostra em que as

informações do regressando apresentam valor zero para uma
fração da população e tem uma distribuição contı́nua ao longo
dos valores positivos. Exemplo: gastos com habitação, gastos
com computador
MQO: podemos obter valores estimados negativos, levando a
previsões negativas de Y .
MQO: estimadores dos parâmetros tendenciosos e
inconsistentes se usarmos apenas a fração de observações que
apresentam valores não negativos do regressando.
Tobit: valores previstos não negativos de Y .

Leandro Rocco Finanças

Modelo Tobit

Tobit: expressa resposta observada Y em termos de uma

variável latente subjacente:

Y ∗ = Xβ + ε, ε|X ∼ N (0, σ 2 )
Y = max{Yi∗ , 0}
Y ∗ : satisfaz hipóteses do MCRL
(
Y = Y ∗ , se Y ∗ ≥ 0;
Y = 0, se Y ∗ < 0

Como Y ∗ se distribui normalmente, Y terá uma distribuição

contı́nua sobre valores positivos.

Leandro Rocco Finanças

Modelo Tobit
Além disso, para Y = 0, e usando o fato que ε|X ∼ N (0, σ 2 ):

P (Y = 0|X) = P (Y ∗ < 0|X) = P (Xβ+ε < 0|X) = P (ε < −Xβ|X) =

      
ε Xβ  Xβ Xβ
=P <− X = Φ − = 1 − Φ
σ σ  σ σ
| {z }
Φ(z)=1−Φ(−z)

Se (Xi , Yi ) forem amostras aleatórias, a densidade de Yi dado Xi

será:
 
1 (Y −Xi β)2 1 Y − Xi β
√ e− 2σ2 = φ , se Yi > 0
2πσ σ σ
 
Xi β
P (Yi = 0|Xi ) = 1 − Φ , se Yi = 0
σ

Leandro Rocco Finanças

Modelo Tobit

 
1 Y − Xi β
P (Yi > 0|Xi ) = φ , se Yi > 0
σ σ
 
Xi β
P (Yi = 0|Xi ) = 1 − Φ , se Yi = 0
σ

A log-verossimilhança de cada observação i será:

     
Xi β 1 Y − Xi β
li (β, σ) = 1(Yi = 0)log 1 − Φ +1(Yi > 0)log φ
σ σ σ

A log-verissimilhança da amostra de tamanho N é obtida somando

li (β, σ) ao longo de todas as observações i.
β̂’s e σ̂ obtidos pela maximização da log-verossimilhança.

Leandro Rocco Finanças

Table of Contents

1 Modelo Tobit

2 Interpretação das Estimativas

3 Efeitos Parciais

Leandro Rocco Finanças

Modelo Tobit

Podemos estimarP (Y = 0|X) e P (Y > 0|X) pelas fórmulas

anteriores usando as estimativas obtidas por MV.
Podemos estimar:

E(Y > 0|Y > 0, X): condicional a Y > 0 (subpopulação em que Y

é positivo)

E(Y |X): ”incondicional” (permanece condicional a X)

Temos:

 
Xβ
E(Y |X) = P (Y > 0|X)·E(Y |Y > 0, X) = Φ ·E(Y |Y > 0, X)
σ

Precisamos de E(Y |Y > 0, X)

Leandro Rocco Finanças

Modelo Tobit
 
Xβ
E(Y |X) = Φ · E(Y |Y > 0, X)
σ
φ(c)
Obs.: Se Z ∼ N (0, 1), E(Z|Z > c) = 1−Φ(c)

E(Y |Y > 0, X) = Xβ + E(ε|Y > 0) = Xβ + E(ε|Xβ + ε > 0) =

  
ε  ε Xβ
= Xβ + E(ε|ε > −Xβ) = Xβ + σE >−
σσ σ
 
φ Xβσ
= Xβ + σ   , pois φ(−c) = φ(c); 1 − Φ(−c) = Φ(c)
Xβ
Φ σ
 
Xβ

Xβ
 
Xβ
 φ σ
E(Y |Y > 0, X) = Xβ + σλ , onde λ =  
σ σ Φ Xβ
σ

Leandro Rocco Finanças

Modelo Tobit

 
Xβ
E(Y |X) = Φ · E(Y |Y > 0, X)
σ
 
Xβ

Xβ
 
Xβ
 φ σ
E(Y |Y > 0, X) = Xβ + σλ , onde λ =  
σ σ Φ Xβ
σ

φ(c)
onde λ (c) = Φ(c) é a razão inversa de Mills
λ(·) é um termo positivo.
Aplicar MQO apenas nas observações onde Yi > 0: estima β
inconsistentemente.
 
λ Xβσ : variável omitida correlacionada com X.

Leandro Rocco Finanças

Modelo Tobit

 
Xβ
E(Y |X) = Φ · E(Y |Y > 0, X)
σ
 
Xβ
E(Y |Y > 0, X) = Xβ + σλ
σ

Temos:
    
Xβ Xβ
E(Y |X) = Φ · Xβ + σλ =
σ σ
   
Xβ Xβ
E(Y |X) = Φ Xβ + σφ
σ σ

Sempre será não negativo.

Leandro Rocco Finanças

Table of Contents

1 Modelo Tobit

2 Interpretação das Estimativas

3 Efeitos Parciais

Leandro Rocco Finanças

Modelo Tobit: Efeitos Parciais
 
Xβ
E(Y |Y > 0, X) = Xβ + σλ
σ
Seja Xj contı́nua.

    
∂E(Y |Y > 0, X) Xβ Xβ Xβ
= βj 1 − λ +λ
∂Xj σ σ σ
| {z }
fator de ajuste: está entre 0 e 1

Usa estimadores de MV para estimar expressão acima, junto

com valores de interesse Xj .
Efeito parcial depende dos valores das estimativas dos
parâmetros e dos valores das variáveis explicativas.
Xj discreta: diferença entre E(Y |Y > 0, X) com Xj = 1) e
Xj = 0.
Leandro Rocco Finanças
Modelo Tobit: Efeitos Parciais

 
Xβ
E(Y |X) = P (Y > 0|X) · E(Y |Y > 0, X) = Φ · E(Y |Y > 0, X)
σ

Seja Xj contı́nua.

∂E(Y |X) ∂P (Y > 0|X) ∂E(Y |Y > 0, X)

= E(Y |Y > 0, X)+P (Y > 0|X)
∂Xj ∂Xj ∂Xj
 
∂E(Y |X) Xβ
= βj Φ
∂Xj σ

Podemos usar Efeito Parcial na Média ou Efeito Parcial Médio.

Se Yi > 0, ∀i, estimativas Tobit e MQO são iguais.

Leandro Rocco Finanças