Regresion de variables instrumentales
Tres problemas a considerar: Sesgo por omisión de variables (OV) no observadas (y, por tanto, no incluidas en la regresión) que están correlacionadas con X; Sesgo por causalidad simultánea (CS); es decir, X causa a Y e Y causa a X; Sesgo por errores en las variables (EV); es decir, medimos X con error. La regresión VI puedeeliminar los anteriores sesgos.
10-1
El estimador VI con un único regresor y un único instrumento (SW Sección 10.1) Yi = 0 + 1Xi + ui La regresión VI divide X en dos partes: una que puede estar correlacionada con u, y la otra que no. Aislando esta última, podremos estimar 1. Para ello, utilizaremos una variable instrumental, Zi, no correlacionada con ui. Para estimar 1, la VI detectaaquellos movimientos en Xi que no están correlacionados con ui.
10-2
Terminología: endogeneidad y exogeneidad Una variable es endógena si está correlacionada con u. Una variable es exógena si no lo está. Nota histórica: “Endógeno” significa literalmente “determinado dentro del sistema,” es decir, una variable que se determina conjuntamente con Y, o bien que está sujeta a CS. Sin embargo, nuestradefinición es más general y la regresión IV puede utilizarse también en los casos OV y EV.
10-3
Dos condiciones para que un instrumento sea válido Yi = 0 + 1Xi + ui Para que un “instrumento” Z sea válido, debe satisfacer las dos siguientes condiciones: 1. 2. relevante: corr(Zi,Xi) ¹ 0 exógeno: corr(Zi,ui) = 0
Supongamos que disponemos de un Zi (discutiremos posteriormente la forma deobtenerlo). ¿Cómo lo podemos utilizar para estimar 1?
10-4
El estimador VI: una X y una Z Explicación #1: Mínimos Cuadrados en Dos Etapas Como suena: MC2E tiene dos etapas – dos regresiones: (1) Primero se aísla la parte de X que no está correlacionada con u: regresión de X sobre Z por MCO Xi = 0 + 1Zi + vi Como Zi no está correlacionada con ui, 0 + 1Zi tampoco lo estará con ui. Noconocemos 0 or 1 pero sabemos estimarlos.
ˆ ˆ ˆ ˆ Hallar las estimaciones de Xi, X i , donde X i = 0 + 1
(1)
Zi, i = 1,…,n.
10-5
ˆ (2) Reemplazar Xi por X i en la regresión de interés: ˆ regresión de Y sobre X i por MCO: ˆ Yi = 0 + 1 X i + ui
(2)
ˆ Como X i no está correlacionada con ui en muestras
grandes, el primero de los supuestos MCO se cumple. Por tanto, 1puede estimarse por MCO en (2) Éste es un argumento de muestras grandes (es decir 0 y
1 estarán bien estimadas en (1))
ˆ El estimador resultante es el MC2E, 1MC 2 E .
10-6
MC2E (Continuación) Si disponemos de un instrumento válido, Zi, Etapa 1ª: ˆ Regresión de Xi sobre Zi, para obtener X i Etapa 2ª: ˆ ˆ Regresión de Yi sobre X i ; el coeficiente de X i es el
ˆ MC2E, 1MC 2 E . ˆEntonces, 1MC 2 E es consistente de 1.
10-7
El estimador VI: una X y una Z, (continuación). Explicación #2: (sólo) un poco de álgebra Yi = 0 + 1Xi + ui Entonces, cov(Yi,Zi) = cov(0 + 1Xi + ui,Zi) = cov(0,Zi) + cov(1Xi,Zi) + cov(ui,Zi) = 0 + cov(1Xi,Zi) + 0 = 1cov(Xi,Zi) donde cov(ui,Zi) = 0 (instrumento exógeno); por tanto
cov(Yi , Z i ) 1 = cov( X i , Z i )
10-8
El estimadorVI: una X y una Z. (continuación)
cov(Yi , Z i ) 1 = cov( X i , Z i )
El estimador VI reemplaza estas covarianzas poblacionales por las muestrales:
ˆ MC 2 E = sYZ , 1 s XZ
sYZ y sXZ son las covarianzas muestrales. Éste es el estimador MC2E – una derivación diferente.
10-9
Consistencia del estimador MC2E
ˆ MC 2 E = sYZ 1 s XZ
Las covarianzas muestrales son consistentes: sYZ cov(Y,Z) y sXZ cov(X,Z). Por tanto,
ˆ
MC 2 E 1
p
p
sYZ p cov(Y , Z ) = = 1 cov( X , Z ) s XZ
La condición de relevancia del instrumento, cov(X,Z) ¹ 0, impide dividir por cero.
10-10
Ejemplo #2: Oferta y demanda de mantequilla La regresión IV tuvo su origen en la estimación de elasticidades de demanda de bienes agrícolas, por ejemplo la de la mantequilla: ln(Qimant ) =...
Regístrate para leer el documento completo.