Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Pontificia Universidad Católica de Chile Instituto de Economía Econometría I – EAE 250A Juan Ignacio Urquiza – Segundo Semestre 2019 Información Cualitativa Aquellos aspectos relevantes que no se pueden medir numéricamente por medio de variables cuantitativas. Ejemplos: Hombre o Mujer Casado o Soltero Rural o Urbano Cotiza o no en la Bolsa En estos casos, se deberá emplear una variable ficticia (o binaria, o dummy) para recoger dicha información. Información Cualitativa Incluir variables ficticias nos permiten medir el efecto del factor cualitativo y contrastar fácilmente si dicho factor es o no relevante. Las variables ficticias toman el valor de 1 en una categoría y 0 en el resto. Por ejemplo: Alternativamente, Información Cualitativa Incluir variables ficticias nos permiten medir el efecto del factor cualitativo y contrastar fácilmente si dicho factor es o no relevante. Las variables ficticias toman el valor de 1 en una categoría y 0 en el resto. Por ejemplo: Efectos Podemos distinguir dos tipos de efectos: Efecto aditivo (diferencias de intercepto) Efecto interacción (diferencias de pendiente) Efecto Aditivo: Efectos Podemos distinguir dos tipos de efectos: Efecto aditivo (diferencias de intercepto) Efecto interacción (diferencias de pendiente) Efecto Aditivo: Efecto Aditivo Esto implica que: ¿Qué mide β2? Es la diferencia, en media, entre el salario de una mujer y el de un hombre, para un mismo nivel educativo. Efecto Aditivo Supongamos que β2 fuera negativo. Efecto Aditivo Formulación equivalente: Por lo tanto, Es la diferencia, en media, entre el salario de un hombre y el de una mujer, para un mismo nivel educativo. Efecto Aditivo Obviamente, se cumple que: Efecto Aditivo Formulación equivalente: Entonces, Por lo tanto, Es la diferencia, en media, entre el salario de un hombre y el de una mujer, para un mismo nivel educativo. Sin intercepto! Trampa de la Variable Binaria Es interesante destacar que el siguiente modelo no es una alternativa válida: Colinealidad perfecta! ¿Por qué? Contrastes ¿Cómo evaluamos si existen diferencias en media entre el salario de un hombre y el de una mujer? Dependiendo de la especificación utilizada: Efectos Podemos distinguir dos tipos de efectos: Efecto aditivo (diferencias de intercepto) Efecto interacción (diferencias de pendiente) Efecto Interacción Se puede emplear variables ficticias para modelar cambios en los efectos de las X’s sobre Y. Por ejemplo: donde: Efecto Interacción Entonces, Por lo tanto, β2 mide la diferencia en el término constante entre hombres y mujeres, mientras que β3 mide la diferencia en la pendiente entre hombres y mujeres: Si la educación aumenta en una unidad, el salario aumenta, en promedio: Gráficamente Supongamos que β2 < 0 y β3 < 0: La brecha salarial aumenta con el nivel de educación Contrastes ¿Cómo contrastar que el intercepto es el mismo para hombres y mujeres? ¿Cómo contrastar que cambios unitarios en los años de educación generan el mismo efecto promedio (pendiente) sobre el salario en hombres que en mujeres? ¿Cómo contrastar si el modelo de determinación de salarios es el mismo para hombres que para mujeres? Efecto Interacción Al igual que con el efecto aditivo, existen varias formulaciones equivalentes: ¿Diferencias? 1. 2. Efecto Interacción Sin embargo, un modelo como el siguiente tampoco sería válido puesto que habría colinealidad perfecta: ¿Dónde está el problema? Efecto Interacción Finalmente, consideremos el caso en que se tiene más de dos categorías. Por ejemplo, consideremos el caso de 3 sectores productivos distintos: Efecto Interacción Entonces, se tiene que: β0 es el intercepto para el sector 3. β3 es la pendiente (efecto de la publicidad) del sector 3. (β0 + β1) es el intercepto para el sector 1, mientras que (β0 + β2) es el intercepto para el sector 2. Las pendientes son (β3 + β4) para el sector 1, y (β3 + β5) para el sector 2. Efecto Interacción Formulación equivalente: Test de Cambio Estructural Muchas veces resulta interesante evaluar si existen diferencias de modelo entre grupos. En nuestro ejemplo anterior, entre hombres y mujeres. Allí vimos que podíamos evaluar la hipótesis nula mediante un test F: Test de Cambio Estructural El modelo era simple, puesto que consideraba una única variable explicativa. Sin embargo, en casos más interesantes, el número de variables explicativas y el número de grupos diferentes puede hacer que sea más conveniente computar el estadístico F de manera diferente. Test de Chow – 2 grupos: 𝐹 = 𝑆𝐶𝑅𝑟 − 𝑆𝐶𝑅𝑠𝑟 𝑆𝐶𝑅𝑠𝑟 × 𝑔𝑙𝑠𝑟 𝑞 ; 𝑞 = 𝑔𝑙𝑟 − 𝑔𝑙𝑠𝑟 = 𝑆𝐶𝑅𝑟 − 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 × 𝑛 − 2 𝑘 + 1 𝑘 + 1 Ejemplo Modelo Restringido: Ejemplo – Modelo Completo Ejemplo Entonces, El estadístico de contraste es igual al que obtuvimos cuando estimamos el modelo completo utilizando variables binarias e interacciones. 𝐹 = 42.67 𝐹 = 𝑆𝐶𝑅𝑟 − 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 × 𝑛 − 2 𝑘 + 1 𝑘 + 1
Compartir