Variavel Dependente Qualitativa

Microeconometria
Variáveis dependentes limitadas e seleção amostral
Alan André Borges da Costa
Universidade Federal de Ouro Preto
Março 2013
Alan Costa (UFOP) Microeconometria Março 2013 1 / 42

Modelo de probabilidade linear
Até o momento a variável dependente era contínua. Como estimar

um modelo com variável binária (ou qualitativa)?


Quando a variável dependente é binária podemos dizer que
P (y = 1jx) = E (y jx)
como fazer esta conta na prática?

Exemplo 1 - Calculando a probabilidade de emprego
Empregado (y) Masculino Escolaridade
1 1 Superior
0 1 Superior
0 1 Médio
1 0 Médio
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, será dada por
P (y = 1jx) = β0 + β1 x1 + + βk xk


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

Assim, a probabilidade de sucesso, condicionando em x, será dada por
P (y = 1jx) = β0 + β1 x1 + + βk xk
Podemos estimar esta equação por MQO
yb = b
β0 + b
β1 x1 + +b
βk xk
denominando-a como Modelo de Probabiliade Linear (MPL)

Como interpretar este modelo?

Como interpretar este modelo?

Suponha que um economista tenha modelado a participação 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 coe…cientes?

Grá…co 1 - Relação entre a probabilidade estimada e anos de
educação

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 é interessante por que não é 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 não são linearmente relacionadas com as variáveis
dependentes em todos os valores (exemplo …lho);

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

Alguns exemplos:


Alguns exemplos:
participação em programas assistenciais;


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


Alguns exemplos:
nota da gradução;


Alguns exemplos:
nota da gradução;
número de acidentes em rodovias etc.


Alguns exemplos:
nota da gradução;
Estudaremos especi…camente 5 modelos


Alguns exemplos:
nota da gradução;
logit/probit;


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


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


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


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

Modelos probit e logit: especi…cação
O primeiro modelo estudado é aquele em que a variável dependente é

binária 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 é aquele em que a variável dependente é

binária 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 binária seja dado por
0
P (y = 1jx) = G ( β0 + β1 x1 + + βk xk ) = G ( β0 + xβ) = F x β
em que 0 < G (z ) < 1 é uma cdf . O MPL utilizava uma cdf ? Qual
função G (z ) utilizar?

Uma opção seria utilizar a função Logit dada por
exp(z )
G (z ) = Λ (z ) =
1 + exp(z )

exp(z )
G (z ) = Λ (z ) =
1 + exp(z )
Uma segunda opção seria utilizar a função Probit
Z∞
G (z ) = Φ (z ) = φ (z ) dz
∞
em que
1/2 z2
φ (z ) = (2π ) exp 2

exp(z )
G (z ) = Λ (z ) =
1 + exp(z )
Uma segunda opção seria utilizar a função Probit
Z∞
G (z ) = Φ (z ) = φ (z ) dz
∞
em que
1/2 z2
φ (z ) = (2π ) exp 2
Ambas as funções possuem as seguintes propriedades:

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

Grá…co 2 - Função logística

Grá…co 3 - Probabilidade de pescar no barco versus pier

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

Suponha que desejamos explicar uma variável não observada y . No
entanto, observamos apenas y que assume o valor 0 ou 1 caso
determinado valor (threshold ou limiar) seja alcançado. 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 (salário reserva?)
0
y = x β+u
Observamos esta variável? O que observamos?

Se estivermos modelando, por exemplo, o mercado de trabalho
podemos dizer que y pode ser o desejo de trabalhar (salário reserva?)
0
y = x β+u
Observamos esta variável? 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 β + u > 0jx
h 0
i
= P u < x β jx
0
= G xβ

Modelos probit e logit: especi…cação e interpretação
Lembre-se que a regressão a ser estimada é dada por
P (y = 1jx) = G ( β0 + xβ)
Como interpretar o coe…ciente? De outro modo: como estimar o
efeito de xj na probabilidade P (y = 1jx)?

P (y = 1jx) = G ( β0 + xβ)
Assim, temos que o efeito parcial de xj sobre p (x) é
∂p (x)
= g ( β0 + xβ) βj
∂xj
dG (z )
em que g (z ) = dz . Repare que o efeito parcial segue o sinal de βj .

P (y = 1jx) = G ( β0 + xβ)
∂p (x)
= g ( β0 + xβ) βj
∂xj
dG (z )
Como calcular o efeito de uma variável explicativa binária ou o
aumento em uma unidade em uma variável contínua?

P (y = 1jx) = G ( β0 + xβ)
∂p (x)
= g ( β0 + xβ) βj
∂xj
dG (z )
Como calcular o efeito de uma variável explicativa binária ou o
aumento em uma unidade em uma variável contínua?
Estes efeito serão dados respectivamente por
G ( β0 + β1 + β2 x2 + + βk xk ) G ( β0 + β2 x2 + + βk xk )
G ( β0 + β1 x1 + + βk (ck + 1)) G ( β0 + β1 x1 + + βk (ck ))
repare que em todos os casos o efeito parcial depende de xj .
Tabela 1 - Probabilidades e efeitos marginais dos modelos de
variáveis dependentes binárias
Modelo Probabilidade P [y = 1jx] Efeito Marginal
h (∂p/∂x
i j)
0 exβ 0 0
Logit Λ xβ = 1 +e x β
Λ xβ 1 Λ xβ βj
Z∞
0 0
Probit Φ xβ = φ (z ) dz φ x β βj
∞
0
MPL xβ βj

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

Uma alternativa seria substituir cada variável explicativa pela sua
respectiva média, ou seja,
∂p (x) b β
=g b
β0 + b
β1 x1 + b
β2 x2 + +b
βk xk βj = g b
β0 + x β j
∂xj
obtemos o efeito parcial na média (PEA).

∂p (x) b β
=g b
β0 + b
β1 x1 + b
β2 x2 + +b
βk xk βj = g b
β0 + x β j
∂xj
Algumas críticas:

∂p (x) b β
=g b
β0 + b
β1 x1 + b
β2 x2 + +b
βk xk βj = g b
β0 + x β j
∂xj
Algumas críticas:
existe certa di…culdade de interpretar variáveis binárias;

∂p (x) b β
=g b
β0 + b
β1 x1 + b
β2 x2 + +b
βk xk βj = g b
β0 + x β j
∂xj
Algumas críticas:
o que fazer quando temos funções não lineares como, por exemplo, x 2
ou ln (x ).

∂p (x) b β
=g b
β0 + b
β1 x1 + b
β2 x2 + +b
βk xk βj = g b
β0 + x β j
∂xj
Algumas críticas:
o que fazer quando temos funções não lineares como, por exemplo, x 2
ou ln (x ).
Um outro modo de realizar este cálculo é utilizar o efeito parcial
médio (APE ) " #
n
n ∑g b
1
β + xi bβ b
0 β j
i =1

Um outro modo de interpretar o modelo logit seria através da razão

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

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

Modelos probit e logit: estimação
Como estimar este modelo?


Devido ao formato não linear é utilizada a estimação por máxima
verossimilhança. De modo geral, como calcular um modelo de
máxima verossimilhança?


Devido ao formato não linear é utilizada a estimação por máxima
verossimilhança. De modo geral, como calcular um modelo de
máxima verossimilhança?
A função utilizada e sua log-verossimilhança são dadas
respectivamente por
f (y jxβ) = piy (1 pi )1 y
= [G (xβ)]y [1 G (xβ)]1 y
n
L ( β) = ∑ li ( β)
i =1
como encontrar β?

As condições de primeira ordem levam a

n
yi 1 yi
∑
0 0
G (xβ) x G (xβ) x = 0
i =1 Gi (xβ) 1 Gi (xβ)
n
yi Gi (xβ)
∑
0
G (xβ) x = 0
i =1 Gi (xβ) [1 Gi (xβ)]


n
yi 1 yi
∑
0 0
G (xβ) x G (xβ) x = 0
n
yi Gi (xβ)
∑
0
G (xβ) x = 0
i =1 Gi (xβ) [1 Gi (xβ)]
A solução deste problema produzirá um estimador b β que maximiza a

log-verossimilhança com as seguintes caracteristicas:


n
yi 1 yi
∑
0 0
G (xβ) x G (xβ) x = 0
n
yi Gi (xβ)
∑
0
G (xβ) x = 0
i =1 Gi (xβ) [1 Gi (xβ)]

consistente;


n
yi 1 yi
∑
0 0
G (xβ) x G (xβ) x = 0
n
yi Gi (xβ)
∑
0
G (xβ) x = 0
i =1 Gi (xβ) [1 Gi (xβ)]

consistente;
assimptoticamente normal;


n
yi 1 yi
∑
0 0
G (xβ) x G (xβ) x = 0
n
yi Gi (xβ)
∑
0
G (xβ) x = 0
i =1 Gi (xβ) [1 Gi (xβ)]

consistente;
assimptoticamente e…ciente.


n
yi 1 yi
∑
0 0
G (xβ) x G (xβ) x = 0
n
yi Gi (xβ)
∑
0
G (xβ) x = 0
i =1 Gi (xβ) [1 Gi (xβ)]

consistente;
assimptoticamente e…ciente.

Podemos utilizar novamente a percentagem corretamente predita

dada por 8
< yei = 1 se G b β0 + xi b
β 0, 5
: yei = 0 se G b
β0 + xi b
β < 0, 5
Repare que temos quatro possíveis resultados para o par (yi , yei ).
Existem críticas a esta abordagem?

Podemos utilizar novamente a percentagem corretamente predita

dada por 8
< yei = 1 se G b β0 + xi b
β 0, 5
: yei = 0 se G b
β0 + xi b
β < 0, 5
Repare que temos quatro possíveis resultados para o par (yi , yei ).
Existem críticas a esta abordagem?
O R 2 dos modelos Probit e Logit são denominados como Pseudo R 2 .

Tabela 2 - Estimação modelo probabilidade

Modelo Tobit
Existe um tipo de variável dependente limitada cujo a quantidade de
zeros não é desprezível. Denominamos esta situação de solução de
canto.

Modelo Tobit
canto.
Alguns exemplos:

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

Modelo Tobit
canto.
Alguns exemplos:
doações a instituições …lantropicas;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;

Modelo Tobit
canto.
Alguns exemplos:
consumo de drogas;
Seja y uma variável essencialmente contínua 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 inferência será apenas assintótica devido a
quantidade de zeros (distribuição não normal);
Modelo Tobit
O modelo Tobit relacionada a variável dependente observada a uma
variável latente
y = β0 + xβ + u
y = max (0, y )
como aplicar este modelo a um caso real?

Modelo Tobit
O modelo Tobit relacionada a variável dependente observada a uma
variável latente
y = β0 + xβ + u
y = max (0, y )
como aplicar este modelo a um caso real?
Em último caso estamos modelando a probabilidade da ocorrência de
zeros, ou seja,
P (y = 0jx) = P (y < 0jx) =
= P (xβ + u < 0jx) =
= P (u < xβjx)
u xβ
= P < jx
σ σ
xβ xβ
= Φ =1 Φ
σ σ

Modelo Tobit
Assim, a densidade de y dado x será dada por
8 h i h i
< 2πσ2 1/2 exp (y xβ)2 1 (y xβ)
2σ 2 = σ φ σ , y >0
: P (y = 0jx) = 1 Φ
xβ
σ
ou
" #d
1 d
1 1 2 xβ
p exp (y xβ) 1 Φ
(2πσ2 ) 2σ2 σ
como obter os parâmetros?

Modelo Tobit
Assim, a densidade de y dado x será dada por
8 h i h i
< 2πσ2 1/2 exp (y xβ)2 1 (y xβ)
2σ 2 = σ φ σ , y >0
: P (y = 0jx) = 1 Φ
xβ
σ
ou
" #d
1 d
1 1 2 xβ
p exp (y xβ) 1 Φ
(2πσ2 ) 2σ2 σ
como obter os parâmetros?
A log-verossimilhança será dada por
n
1 1 1
L β; σ 2 = ∑ di 2
ln (2π )
2
ln σ2
2σ2
(yi xi β)2 +
i =1
xi β
+ (1 di ) ln 1 Φ
σ

Modelo Tobit
Por …m as condições de primeira ordem são dadas por

N
∂L 1 σφi
∂β
= ∑ σ2 di (yi xβ) (1 di )
(1 Φi )
xi = 0
i =1
( ! )
∂L N
1 (yi xβ)2 φi xβ 1
∂σ2
= ∑ di
2σ2
+
2σ4
+ (1 di )
(1 Φi ) 2σ3
=
i =1
como obter o vetor β?

Modelo Tobit
Por …m as condições de primeira ordem são dadas por

N
∂L 1 σφi
∂β
= ∑ σ2 di (yi xβ) (1 di )
(1 Φi )
xi = 0
i =1
( ! )
∂L N
1 (yi xβ)2 φi xβ 1
∂σ2
= ∑ di
2σ2
+
2σ4
+ (1 di )
(1 Φi ) 2σ3
=
i =1
como obter o vetor β?

Como calcular E (y jx)?

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

consideração as características com relação 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) é necessário levar em

consideração as características com relação 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 contrário
xβ
P (w = 1jx) = P (y > 0jx) = P (u > xβjx) = Φ
σ

Modelo Tobit
Para calcular a segunda medida, E (y jx, y > 0), é necessário lembrar
alguns fatos de variáveis aleatórias normalmente distribuidas. Se
z Normal (0, 1)
então para qualquer constante c
φ (c )
E (z jz > c ) =
1 Φ (c )
então
u u xβ φ (xβ/σ)
E (u ju > xβ) = σE j > =σ =
σ σ σ 1 Φ (xβ/σ)

Modelo Tobit
Para calcular a segunda medida, E (y jx, y > 0), é necessário lembrar
alguns fatos de variáveis aleatórias normalmente distribuidas. Se
z Normal (0, 1)
então para qualquer constante c
φ (c )
E (z jz > c ) =
1 Φ (c )
então
u u xβ φ (xβ/σ)
E (u ju > xβ) = σE j > =σ =
σ σ σ 1 Φ (xβ/σ)
Assim,
E (y jx, y > 0) = xβ + E (u ju > xβ) =
xβ
= xβ + σλ
σ
Podemos simplesmente aplicar o estimador de MQO nas observações
yAlan>Costa
0? (UFOP) Microeconometria Março 2013 28 / 42
Modelo Tobit
A medida
xβ
xβ φ σ
λ =
xβ
σ Φ σ
é denominada razão inversa de Mills

Modelo Tobit
A medida
xβ
xβ φ σ
λ =
xβ
σ Φ σ
é denominada razão inversa de Mills

Lembrando, queremos estimar
E (y jx) = P (y > 0) E (y jx, y > 0)
substituindo P ( ) e E ( ) tem-se
xβ xβ
E (y jx) = Φ xβ + σλ =
σ σ
xβ xβ
= Φ xβ + σφ
σ σ
…ca claro que a estimação, no caso de modelos Tobit, é claramente
não linear. Como obter os efeitos marginais?
Modelo Tobit
O efeito marginal das observações estritamente positivas será

dado por
∂E (y jx, y > 0) dλ xβ
= βj + βj =
∂xj dxj σ
xβ xβ xβ
= βj 1 λ +λ
σ σ σ
como obter o efeito marginal já que este dependente de λ ( )?

Modelo Tobit

dado por
= βj + βj =
∂xj dxj σ
xβ xβ xβ
= βj 1 λ +λ
σ σ σ
O efeito marginal para todas as observações (y 0) será dado por
∂E (y jx) xβ
= βj Φ
∂xj σ
como obter o efeito marginal já que este dependente de Φ ( )?

Modelo Tobit

dado por
= βj + βj =
∂xj dxj σ
xβ xβ xβ
= βj 1 λ +λ
σ σ σ
O efeito marginal para todas as observações (y 0) será dado por
∂E (y jx) xβ
= βj Φ
∂xj σ
como obter o efeito marginal já que este dependente de Φ ( )?

Qual a validade da estimação do Tobit e a hipótese 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 justi…car a metodologia utilizada

Tabela 3 - Estimação 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-verossimilhança - -3.819,09
R-Quadrado 0,266 0,274
b
σ 750,18 1.122,02

Modelo de Poisson
Podemos modelar valores de y não negativos em que este está
relacionado a contagem de alguns eventos.

Modelo de Poisson
Alguns exemplos:

Modelo de Poisson
Alguns exemplos:
número de …lhos de uma mulher;

Modelo de Poisson
Alguns exemplos:
número de vezes em que o indivíduo foi preso durante o ano;

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

Modelo de Poisson
Alguns exemplos:
Um possível modo de levar em consideração a característica dos
dados podemos utilizar a seguinte função para modelar y
E (y jx1 , x2 , ..., xk ) = exp ( β0 + β1 x1 + ... + βk xk )
como interpretar os parâmetros?

Modelo de Poisson
Alguns exemplos:
Um possível modo de levar em consideração a característica dos
dados podemos utilizar a seguinte função para modelar y
E (y jx1 , x2 , ..., xk ) = exp ( β0 + β1 x1 + ... + βk xk )
como interpretar os parâmetros?

A interpretação é facilitada quando aplicamos o log
ln [E (y jx1 , x2 , ..., xk )] = β0 + β1 x1 + ... + βk xk

Modelo de Poisson
Podemos utilizar a distribuição normal para modelar este tipo de
variável. Por que?

Modelo de Poisson
variável. Por que?
Suponha que estamos diante de um modelo de poisson em que a
distribuição é determinada inteiramente pela sua média
e µ µy
f (y jx ) = y = 0, 1, 2, ...
y!
E (y jx) = Var (y jx)

Modelo de Poisson
variável. Por que?
e µ µy
f (y jx ) = y = 0, 1, 2, ...
y!
Assim, utilizando a distribuição de poisson tem-se
exp [ exp (xβ)] [exp (xβ)]h
P (y = h jx) = h = 0, 1, ...
h!

Modelo de Poisson
variável. Por que?
e µ µy
f (y jx ) = y = 0, 1, 2, ...
y!
Assim, utilizando a distribuição de poisson tem-se
exp (xβ)] [exp (xβ)]h
exp [
P (y = h jx) = h = 0, 1, ...
h!
Como o modelo é não linear podemos utilizar o estimador de máxima
verossimilhança
n n
L ( β) = ∑ l ( β) = ∑ fyi xi β exp (xi β)g
i =1 i =1

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

Modelo de Poisson
∂E (y jx)
= exp (xβ) βj
∂xj

Estamos sob a seguinte hipótese
e caso esta igualdade não for satisfeita? As estimações são válidas?

Modelo de Poisson
∂E (y jx)
= exp (xβ) βj
∂xj

Estamos sob a seguinte hipótese
e caso esta igualdade não for satisfeita? As estimações são válidas?

Uma hipótese menos restritiva seria
Var (y jx) = σ2 E (y jx)
quando σ2 > 1 temos superdispersão e σ2 < 1 subdispersão

Modelos de regressão censurada
O problema de censura dos dados está relacionado ao vetor y .


Suponha que
yi = β0 + xi β + ui
wi = min (yi , ci )


Suponha que
wi = min (yi , ci )
Um exemplo de censura a direita seria a codi…cação superior em

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


Suponha que
wi = min (yi , ci )

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


Suponha que
wi = min (yi , ci )

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

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

Para observações não censuradas teremos wi = yi . E para
observações censuradas?

Neste caso é necessário calcular qual será a probabilidade de
ocorrência do valor da censura
P (wi = ci jxi ) = P (yi ci jxi ) =
= P (ui ci xβjxi ) =
c xβ
= 1 Φ
σ

Neste caso é necessário calcular qual será a probabilidade de
ocorrência do valor da censura
P (wi = ci jxi ) = P (yi ci jxi ) =
= P (ui ci xβjxi ) =
c xβ
= 1 Φ
σ
Combinando as duas partes tem-se
8 h i
< 1 Φ ci xβ w = ci
f (w jxi , ci ) = h σ i
: 1 φ w xβ w < ci
σ σ

Modelos de regressão truncada
A censura afeta apenas a variável y . Quando a amostra é truncada y
e x serão afetados.

Podemos ter truncation from below
y = y se y > ci
Qual o problema ao aplicar MQO?

y = y se y > ci
Neste caso não temos uma amostra aleatória: o par (x, y ) é
observado apenas quando yi ci

y = y se y > ci
Para estimar βj precisamos da distribuição de yi dados yi ci e xi .
f y jx, β, σ2
g (y jx, c ) = y c
F (c jx, β, σ2 )
como obter os estimadores?

y = y se y > ci
Para estimar βj precisamos da distribuição de yi dados yi ci e xi .
f y jx, β, σ2
g (y jx, c ) = y c
F (c jx, β, σ2 )
como obter os estimadores?
Exemplo: Hausman e Wise (1977) utilizaram dados de um
experimento de imposto de renda negativo para estudar vários
determinantes de receita. Para ser incluida no estudo uma família
deveria ter renda inferior a 1,5 vezes a linha de pobreza.
Correção de seleção amostral
As vezes a amostra selecionada não é aleatória;


Um tipo de seleção amostral é dado pelo seguinte modelo
y = xβ + u
s = 1 [zγ + v 0]


Um tipo de seleção amostral é dado pelo seguinte modelo
y = xβ + u
s = 1 [zγ + v 0]
Aplicando o valor esperado em y
E (y jz,v ) = xβ + E (u jz, v ) =
= xβ + E (u jv )
= xβ + ρλ (zγ)
em λ ( ) é o inverso da razão de mills

Como estimar esta equação?


A estimação é realizada em dois estágios


No primeiro estágio estima-se o inverso da razão de mills
P (s = 1jz) = Φ (zγ)


No primeiro estágio estima-se o inverso da razão de mills
P (s = 1jz) = Φ (zγ)
Obtenha o predito do primeiro estágio e estime a seguinte regressão

b
y = xβ + λ

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

Referência
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

Variáveis dependentes limitadas e seleção amostral

Alan André Borges da Costa

Universidade Federal de Ouro Preto

Alan Costa (UFOP) Microeconometria Março 2013 1 / 42

Até o momento a variável dependente era contínua. Como estimar

Alan Costa (UFOP) Microeconometria Março 2013 2 / 42

Até o momento a variável dependente era contínua. Como estimar

como fazer esta conta na prática?

Alan Costa (UFOP) Microeconometria Março 2013 2 / 42

Como calcular e interpretar as seguintes medidas?

Alan Costa (UFOP) Microeconometria Março 2013 3 / 42

Até o momento a variável dependente era contínua. Como estimar

Alan Costa (UFOP) Microeconometria Março 2013 4 / 42

Até o momento a variável dependente era contínua. Como estimar

como fazer esta conta na prática?

Alan Costa (UFOP) Microeconometria Março 2013 4 / 42

Até o momento a variável dependente era contínua. Como estimar

como fazer esta conta na prática?

Alan Costa (UFOP) Microeconometria Março 2013 4 / 42

Até o momento a variável dependente era contínua. Como estimar

como fazer esta conta na prática?

Podemos estimar esta equação por MQO

denominando-a como Modelo de Probabiliade Linear (MPL)

Alan Costa (UFOP) Microeconometria Março 2013 4 / 42

Como interpretar este modelo?

Alan Costa (UFOP) Microeconometria Março 2013 5 / 42

Como interpretar este modelo?

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

como interpretar os coe…cientes?

Alan Costa (UFOP) Microeconometria Março 2013 5 / 42

Alan Costa (UFOP) Microeconometria Março 2013 6 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Alan Costa (UFOP) Microeconometria Março 2013 7 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

Em alguns casos temos Variáveis Dependentes Limitadas (VDL).

Alan Costa (UFOP) Microeconometria Março 2013 8 / 42

O primeiro modelo estudado é aquele em que a variável dependente é

Alan Costa (UFOP) Microeconometria Março 2013 9 / 42