Modelo Tobit

Variáveis Truncadas: Modelo Tobit
Prof. Dr. José Weligton Félix Gomes
UNIVERSIDADE FEDERAL DO CEARÁ

CAMPUS SOBRAL
GRADUAÇÃO EM CIÊNCIAS ECONÔMICAS E FINANÇAS
DISCIPLINA: ECONOMETRIA II
11 de janeiro de 2022
Introdução
Nos modelos Logit e Probit temos a existência de uma variável

latente yi∗ que não foi observada, para a qual poderı́amos especificar
o modelo de regressão:
0
yi∗ = xi β + ui (1)
Nestes modelos o que observamos é uma variável dummy:
(
1 se yi∗ > 0
yi = (2)
0 se yi∗ ≤ 0
Suponha que yi∗ seja observada se yi∗ > 0 e não seja observada se
yi∗ ≤ 0. Então, o yi observado será definido como:
Prof. Dr. José Weligton Félix Gomes (UFC/SOBRAL) ECONOMETRIA 2 11 de janeiro de 2022 2 / 18
Introdução
( 0
yi∗ = xi β + ui se yi∗ > 0
yi = (3)
0 se yi∗ ≤ 0
ui ∼ N (0, σ 2 )
Isso é conhecido como Modelo Tobit (o Probit de Tobin) ou modelo

de regressão normal censurada.
Nosso objetivo é estimar os parâmetros β e σ.
Exemplos
1 Gastos com automóveis: Suponha que tenhamos dados sobre uma

amostra de famı́lias e queremos estimar a elasticidade-renda da
demanda por automóveis.
Seja yi∗ os gastos com automóveis e x a renda da seguinte regressão:
0
yi∗ = xi β + ui ui ∼ N (0, σ 2 )
Entretanto, na amostra, terı́amos um grande número de observações

para as quais o gasto com automóveis é zero.
Segundo Tobin(1958) argumenta que devemos utilizar o modelo de
regressão censurada.
( 0
xi β + ui Para aqueles com gastos positivos com automóveis
yi =
0 Para aqueles sem gastos
(4)
Exemplos
2 Horas Trabalhadas: Temos informações sobre o número de

indivı́duos que está empregada e parte não.
( 0
xi β + ui Para aqueles que estão trabalhando
Hi = (5)
0 Para aqueles que não estão trabalhando
3 Salários:
( 0
xi β + ui Para aqueles que estão trabalhando
wi = (6)
0 Para aqueles que não estão trabalhando
Método de Estimação
Não podemos usar MQO com as observações positivas de yi por

que o termo de erro ui não tem média zero.
Como as observações com yi∗ ≤ 0 são omitidas, isto implica que
0
apenas as observações para as quais yi∗ > 0 ⇒ ui > −xi β são
incluı́das, e sua média não é zero.
Irá depender de β, σ e xi , e será, por consequência, diferente para
cada observação.
O método de estimação será por Máxima Verossimilhança.
Note que temos dois conjuntos de observações:
0
1 Os valores positivos de yi ⇒ (yi − xi β)/σ tem uma distribuição normal
padrão.
0
2 As observações zero de yi , onde yi∗ ≤ 0 ⇒ xi β + ui ≤ 0. Como ui /σ
0
tem distribuição normal padrão, então ui /σ ≤ −xi β/σ. Sua
0
probabilidade pode ser escrita como F (−xi β/σ), onde F é a Função
de Distribuição Cumulativa da Norma Padrão (FDC).
Seja f (x) a função de densidade da distribuição normal, dada por:

2
1 x −µ
−
1
f (x) = √ e 2 σ , x ∈ (−∞, ∞) (7)
2πσ 2
e a função de densidade da normal padrão dada por:
z2
1 −
f (z) = √ e 2 , z ∼ N(0, 1) (8)
2π
x −µ
Onde: z = .
σ
A função de Verossimilhança para o Modelo Tobit será:

Y 1 yi − x 0 β Y −x 0 β
i i
L= φ Φ (9)
σ σ σ
yi >0 yi ≤0
Maximizando essa Função de Verossimilhança com respeito a β e σ,

obtemos as estimativas de Máxima Verossimilhança desses
parâmetros.
Assim a Função de Verossimilhança para as mulheres que estão
trabalhando será dada por:
0 2
1 yi − xi β
−
1
Li = √ e 2 σ
2πσ 2
0 2
1 yi − xi β
1 1 −
= √ e 2 σ
σ 2π
0
1 yi − xi β
= φ( )
σ σ
Onde φ(.) é a função de densidade da normal padrão.

Se a hora trabalhada é zero (isto é, para mulheres que não estão
trabalhando), apenas sabemos que yi∗ ≤ 0. Desta forma, a
contribuição de Verossimilhança é a probabilidade de que yi∗ ≤ 0, que
é dada por:
Li = P(yi∗ ≤ 0)
0
= P(xi β + ui ≤ 0)
0
= P(ui ≤ −xi β)
0
ui xβ
=P ≤− i
σ σ
0
xβ
=Φ − i
σ
0
xβ
=1−Φ i
σ
A Função de Verossimilhança, L, é obtida pela multiplicação de todas

as contribuições de Verossimilhança de todas as observações.
Os valores de β e σ que maximiza a função de verossimilhança são os

estimadores Tobit dos parâmetros.
Na prática, maximizamos o Log (L).
O Efeito Parcial (ou Efeito Marginal)
Os parâmetros estimados (βj ) medem o efeito de xj sobre yi∗ .

Contudo, estamos interessados no efeito de xj sobre as horas
trabalhadas real, y .
Como computar o efeito de um aumento na variável explicativa sobre
o valor esperado de y ?
Note que:
E (y |x) = P(y > 0)E (y |y > 0, x) + P(y ≤ 0)E (y |y = 0, x)

= P(y > 0)E (y |y > 0, x)
Calculando E (y |y > 0, x)
0 0
E (y |y > 0, x) = E (xi β + ui |xi β + ui > 0, x)
0 0
= xi β + E (ui |ui > −(xi β), x)
0
0 σ ui xβ
= xi β + E ui | > − i ,x
σ σ σ
0
0 ui ui xβ
= xi β + σE | >− i ,x
σ σ σ
DEFINIÇÃO: Se V é uma variável normal padrão e c uma

constante, então:
φ(c) φ(−c)
E (V |V > c) = =
1 − Φ(c) Φ(−c)
Portanto, tem-se que:

0 

xβ
φ − i

 

 
0 σ
 
E (y |y > 0, x) = xi β + σ 0
xβ
1 − Φ − i

 

 
σ

Simplificando, teremos que:

 0 
xβ 
φ i

 

0
 σ 
E (y |y > 0, x) = xi β + σ 0
xβ 
Φ i

 
 
σ

Onde 0
xi β
φ 0
σ xi β
0 = λ( )
xi β σ
Φ
σ
E λ(.) é conhecida como a Razão Inversa de Mills. Assim, tem-se
que:
0
0 xβ
E (y |y > 0, x) = xi β + σλ( i )
σ
Agora, calculando P(y > 0|x):

0
P(y > 0|x) = P(xi β + ui > 0|x)
0
= P(ui > −(xi β)|x)
0
ui xβ
= P( > − i |x)
σ σ
0
ui xβ
=1−P ≤− i
σ σ
0
xβ
=1−Φ − i
σ
0
xβ
=Φ i
σ
Substituindo P(y > 0|x) e E (y |y > 0, x) em E (y |x), temos:

0 " 0 #
xi β 0 xβ
E (y |x) = Φ xi β + σλ i
σ σ
A partir das equações de E (y |y > 0, x) e E (y |x) acima, podemos

computar o efeito parcial de duas formas:
1 O efeito de x sobre as horas trabalhadas para aqueles que estão
trabalhando, dado por:
( 0 " 0 0 #)
∂E (y |y > 0, x) x β xi β x β
=β 1−λ i +λ i
∂x σ σ σ
2 O efeito global de x sobre as horas trabalhadas, dado por:

0
∂E (y |x) x β
= βΦ i
∂x σ

Modelo Tobit

Enviado por

Dados do documento

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

Modelo Tobit

Enviado por

Direitos autorais:

Formatos disponíveis

Variáveis Truncadas: Modelo Tobit

Prof. Dr. José Weligton Félix Gomes

UNIVERSIDADE FEDERAL DO CEARÁ

Nos modelos Logit e Probit temos a existência de uma variável

Isso é conhecido como Modelo Tobit (o Probit de Tobin) ou modelo

1 Gastos com automóveis: Suponha que tenhamos dados sobre uma

Entretanto, na amostra, terı́amos um grande número de observações

2 Horas Trabalhadas: Temos informações sobre o número de

Não podemos usar MQO com as observações positivas de yi por

Seja f (x) a função de densidade da distribuição normal, dada por:

A função de Verossimilhança para o Modelo Tobit será:

Maximizando essa Função de Verossimilhança com respeito a β e σ,

Onde φ(.) é a função de densidade da normal padrão.

A Função de Verossimilhança, L, é obtida pela multiplicação de todas

Os valores de β e σ que maximiza a função de verossimilhança são os

Os parâmetros estimados (βj ) medem o efeito de xj sobre yi∗ .

E (y |x) = P(y > 0)E (y |y > 0, x) + P(y ≤ 0)E (y |y = 0, x)

DEFINIÇÃO: Se V é uma variável normal padrão e c uma

Portanto, tem-se que:

Simplificando, teremos que:

Agora, calculando P(y > 0|x):

Substituindo P(y > 0|x) e E (y |y > 0, x) em E (y |x), temos:

A partir das equações de E (y |y > 0, x) e E (y |x) acima, podemos

2 O efeito global de x sobre as horas trabalhadas, dado por:

Você também pode gostar