_______________________________________________________________________________________________________________________________________________

ECONOMETRIA I – 2ª parte
Resumo 5 – Censored and Truncated
_______________________________________________________________________________________________________________________________________________

Slide 5 – Linear Models: Censored and Truncated

• Tobit Tipo I:
‫ݕ‬௜∗ = ‫ݔ‬௜ ᇱߚ + ‫ݑ‬௜ , ‫ݑ‬௜ |‫ݔ‬௜ ∼ ࣨሺ0, ߪ ଶ ሻ, ‫ݕ‬௜ = maxሺ0, ‫ݕ‬௜∗ ሻ
onde ‫ ݔ‬inclui uma coluna de 1’s.

Densidade do truncado: Prሺ‫ݕ‬௜ = ݇|
 > 0,   =     &')(  &' = *
 |
 > 0,  
 ! "#! %
$ #$! %
 

Densidade do censurado: *
 | = Pr+
 = 0| ,-. ! /01 . Pr+
 =
∗|
∗ > 0,  ,-. ! 301

−  1
 −  
-. ! /01 -. ! 301
= 4( 5 78 4 5 78
  

Modelos censurados: 9+
∗|, =  Soluções de canto: 9+
|, ou 9+
∗ |,
> 0,.
Objetos de interesse
|

Usando a desigualdade de Jensen temos 9+
|, ≥ max0, 9+
∗|,  (dado que a função
máximo é convexa). Além disso, o comportamento misto de y nos permite escrever a

9+
|, = Pr+
= 0|, . 0 + Pr+
> 0|, . 9+
|,
> 0, = Pr+
> 0|, . 9+
|,
> 0,
seguinte esperança:

Já vimos que Pr+
> 0|, = Pr+
∗ > 0|, = (  &

#$ %

   
agora note que:

9+
|,
> 0, = 9+
∗ |,
> 0, =   + 9+ | > − , =   +  4 5 7<( 5 78

 
onde   &)(  &' = = &
#$ % #$ % #$ %
  
 
é a razão inversa de Mills, ou seja,

9+
|,
> 0, =    + = 5 7


Efeitos parciais: (se > é uma variável contínua). Defina ? ≡ 

#$ %

A9+
|,
> 0,       

= > + > 4B= 5 7)B? 8 = > C1 − = 5 74 + =5 78D
A>    
usando as propriedades da normal, podemos mostrar que E1 − =   &   + =   &'F ∈
#$ % #$ % #$ %

0,1 e então o sinal de > dá a direção do impacto. O termo que o multiplica é o fator de
correção pela seleção da amostra.

  
Usando os resultados acima
9+
|, = Pr+
> 0|, . 9+
|,
> 0, = ( 5 7 . C   + = 5 7D
 

A9+
|, A Pr+
> 0|, A9+
|,
> 0,  

Portanto o efeito marginal é dado por
= . 9+
|,
> 0, + Pr+
> 0|, . = (5 7 >
A> A> A> 

Agora o termo que multiplica o > é o fator de desconto pelo censuramento dos dados. A
estimação dos parâmetros pode ser feita por: (1) Probit Maximu m Likehood; (2)Least
Squares; (3) Heckman two-step least squares; (4) Tobit Maximum Likehood.

O modelo é:
 =   + =  & + H , IJK+H , =   −    L=L −   =L , L = 

#$! % %
(3) Heckman two-step least squares

Eduardo Cenci – EESP – junho de 2013 1

_______________________________________________________________________________________________________________________________________________
ECONOMETRIA I – 2ª parte
Resumo 5 – Censored and Truncated
_______________________________________________________________________________________________________________________________________________

1º passo: estimar L =  ⁄ pelo Probit MLE.

2º passo: Rodar regressão de
 em  e =LN por mínimos quadrados usando apenas a
parte da amostra em que
 > 0 O .

A vantagem deste modelo é que conseguimos estimar a razão inversa de Mills no primeiro
passo. Além disso, é um método mais fácil de explicar em apresentações.

Este estimador P = ,  maximiza a seguinte função de log verossimilhança:

(4) Tobit MLE

X 
 −    log  
RP = S C-.
 = 01. log 41 − ( 5 78 + -.
 > 01. 5log 4 5 7− 87D
/   2

A vantagem deste método e que podemos estimar ambos os coeficientes de uma vez. Além
disso, sendo MLE, sob condições de regularidade podemos usar a desigualdade de

9+Y . P," , Y . P ≡ −9+Z[ P| ,

informação e garantir que este estimador será eficiente e terá variância assintótica:

• Lista 03 – Questão 03

ou nulo. Neste caso, podemos pensar no salário observado \  no modelo simplificado:
Para os indivíduos que entraram no mercado de trabalho podemos observar salário positivo

 = -. L + ] > 0, 1, \ =
 . max.0, ^ _ + ` 1 =
 . -.\ > 0, 1.^ _ + ` 1

Assumimos que os termos de erro ` e ] são conjuntamente independentes dos regresores ^
e  com distribuição conjunta normal ` ] a ∼ 0, b. Normalizamos a variância de
] , IJK+] , = b = 1. A função de densidade dos erros é `, ], b. Derive a função de log-
verossimilhança de
 e \ dado ^ e  baseada em uma amostra de tamanho O.

Defina a *Bc conjunta de 
 , \  por *
 , \ | , ^ , cujo suporte é .11 × +0, ∞ ∪ .0,01.
Note que *0, ?| , ^  para algum ? > 0 está fora do suporte e teremos
*0,0| , ^  = Pr g
h = 0ih, ^hj = Pr g′hL + ]h ≤ 0ih, ^hj = Pr] ≤ − L| , ^  = (− L
*1,0| , ^  = Pr
 = 1, \ = 0| , ^  = PrL + ] > 0, ^ _ + ` ≤ 0| , ^ 
= Pr] > − L, ` ≤ −^ _| , ^ 
q "o!$ p   1 `
=m m 2n " |b|" exp t− +` ] ,b" ] 'u B` B] ≡ P , ^ 
"# v "q
$ 2 

E para algum ? > 0 *1, ?| , ^  = *\ = ?|
 = 1,  , ^ . *
 = 1|  , ^ .

!

Note que *\ = ?|
 = 1,  , ^  = *\ = ?|] > −L,  , ^  e podemos usar o resultado
*^|^ > − =  ⁄( pra escrever *\ = ?|] > − L,  , ^  =    &)( L
 w"o!$ p

1 ? − ^ _
 y
  z 1 ? − ^ _
*\ = ?|
 = 1,  , ^ . *
 = 1|  , ^  = (L x { =  5 7
(g Lj  

onde   ≡ b = IJK+` ,A densidade pode ser escrita como

1
? − ^ _ ! ! -. /,| 301
*
 , \ | , ^  = +(− L,-. ! /01 . +P , ^ ,-. ! /,|! /01 . 4
5 78
 
Seja  ≡ 
 , \ ,  , ^ , a função de verossimilhança é }L, _|  = ∏/ *
 , \ | , ^ 
X

e a função de log verossimilhança éRL, _|  = logg∏X / *
 , \ | , ^ j

Eduardo Cenci – EESP – junho de 2013 2