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 Introducción En las clases anteriores vimos qué pasaba con los estimadores de MCO cuando cometíamos algún tipo de error de especificación: Omisión de variables relevantes Errores de medida en las variables A continuación veremos cómo el método de variables instrumentales permite obtener estimadores consistentes. Introducción Considere el siguiente modelo de regresión: Si se cumple que: decimos que las variables explicativas son exógenas. Endogeneidad Si por alguna razón Xj estuviera correlacionada con el error, entonces decimos que Xj es una variable endógena. La existencia de variables endógenas invalida los estimadores MCO, que serán inconsistentes. ¿Podemos obtener estimadores consistentes? Variables Instrumentales (VI) Mínimos Cuadrados en 2 Etapas (MC2E) Endogeneidad Considere el siguiente modelo simple: Entonces, Variables Instrumentales Necesitamos algún tipo de “información adicional”. Supongamos que existe una variable Z tal que: i. No esté correlacionada con el error: ii. Sí esté correlacionada con la v. endógena: Exogeneidad Relevancia Variables Instrumentales Entonces, empleando a Z como “instrumento” podremos obtener estimadores consistentes. Veamos: Entonces, Variables Instrumentales Principio de Analogía: Estimador de Variables Instrumentales (VI) Consistencia Demostración: Variables Instrumentales Toda variable instrumental debe cumplir con las dos propiedades anteriores: La primera no se puede contrastar – los errores son inobservables. Debemos sostener que es válida a partir de argumentos basados en la teoría económica. Conclusión: hay que ser cuidadosos en la elección! Variables Instrumentales La segunda condición sí se puede contrastar. Cómo? Podemos estimar por MCO y hacer el contraste como siempre. Ejemplo – Wooldridge En general, se puede demostrar que la varianza del estimador de VI será mayor que la varianza del estimador de MCO cuando éste sea válido. Ver Wooldridge, sección 15.1 Variables Instrumentales Instrumentos no adecuados: El estimador de VI es consistente si: Si estas condiciones no se cumplen, el estimador de VI puede tener un sesgo asintótico mayor que el del estimador MCO. Variables Instrumentales Instrumentos no adecuados: Implicancias: Aún cuando la correlación entre Z y ε sea pequeña, la inconsistencia del estimador de VI puede ser muy relevante si la correlación entre X y Z es pequeña. La situación es particularmente adversa cuando X y Z no correlacionan en absoluto. Generalización#1 Vuelva a considerar el modelo simple: Supongamos que ahora disponemos de dos posibles variables instrumentales: Z1, Z2. Podríamos obtener dos estimadores simples de VI, uno por cada instrumento… Generalización#1 Vuelva a considerar el modelo simple: Supongamos que ahora disponemos de dos posibles variables instrumentales: Z1, Z2. … o podríamos obtener un estimador que utilice como instrumento a una combinación de ambos! MC2E Etapa 1: Estimar la forma reducida por MCO: Los valores ajustados son: Etapa 2: Estimar el modelo por MCO utilizando los valores ajustados: MC2E Forma Reducida – Interpretación: La forma reducida descompone de forma aditiva a la variable endógena en dos partes: La parte exógena, explicada por los instrumentos. La parte endógena, que es lo que queda sin ser explicado por los instrumentos. Reemplazando en el modelo original: El estimador de VI funciona porque el regresor no correlaciona con error compuesto (u). MC2E Nota: Aunque en ambos casos los coeficientes son los mismos, los errores estándar al obtener los estimadores de MC2E secuencialmente no son válidos. Intuitivamente, el término de error de la segunda etapa (u) incluye al error de la primera etapa (v) pero los errores estándar reportados comprenden a la varianza de ε únicamente. En Stata, simplemente utilizar el comando “ivregress”. Generalización#2 Consideremos ahora un modelo múltiple: donde: Por lo tanto, Generalización#2 Al igual que antes, supongamos que Z es un instrumento tal que: Forma reducida: Relevancia? Note que incluye al instrumento pero además incluye a todas la variables exógenas incluidas… Generalización#3 ¿Qué pasa si tenemos más de una variable endógena? Supongamos que tenemos el siguiente modelo: Solución: Necesitaremos al menos tantos instrumentos como variables endógenas! Generalización#3 Forma reducida – una por cada v. endógena: Relevancia? Debe cumplirse, al menos, que: Contraste de Endogeneidad En la práctica, existen situaciones en las que no sabemos si una variable explicativa es endógena o exógena. Test de Hausman: Contraste de Endogeneidad Test de Hausman: Forma reducida: Contraste de Endogeneidad Test de Hausman: Por lo tanto, H0 será cierta cuando: Alternativamente: Contraste de Endogeneidad En la práctica “v” es inobservable, entonces: Por lo tanto, Si rechazamos H0, entonces concluiremos que X es endógena. ¿Y cuándo hay más variables potencialmente endógenas? Contraste de Endogeneidad Test de Hausman (caso general): Considere el caso de “r” variables potencialmente endógenas. Se deben estimar entonces r formas reducidas; una para cada una de estas variables. Se obtienen los residuos de cada forma reducida. Se incluyen estos residuos en el modelo original. Se implementa un test de significancia conjunta: Ejemplo#1 Ejemplo#1 Sobre-identificación En el caso simple, tenemos un instrumento por cada variable potencialmente endógena. Decimos que el modelo está “exactamente identificado”. En estos casos, no podemos contrastar la condición de no correlación de los instrumentos con el error. Sin embargo, si tenemos más variables instrumentales que variables endógenas, entonces decimos que el modelo está “sobre-identificado”. Aquí sí podremos contrastar si algún instrumento correlaciona con el error. ¿Cómo? Sobre-identificación Supongamos que tenemos “r” variables explicativas potencialmente endógenas y “q” instrumentos, donde q > r. Entonces, (q – r) es el número de restricciones de sobre-identificación. Número de instrumentos “extra”. Como los errores son inobservables, podremos implementar el contraste mediante el uso de residuos. Sobre-identificación Contraste de Sargan: Se estima la regresión por MC2E y se obtienen los residuos. Luego se estima la regresión de los residuos sobre todas las variables exógenas y todos los instrumentos. Se obtiene el R2 de dicha regresión auxiliar, R2 . Bajo H0 que ningún instrumento correlaciona con el error, tenemos que: Sobre-identificación Interpretación: Si nRu 2 excede al valor critico entonces se rechaza H0: Al menos una de las variables instrumentales no es exógena. Ejemplo#2 Ejemplo#2 Ejemplo#2
Compartir