You are on page 1of 17

Microeconometría: Modelos Lineales

Chapter 4 C. Cameron

Juan Manuel Rivas Castillo


Modelo

 En la investigación microeconométrica se emplea


regresión lineal y sus extensiones con bastante
frecuencia.
 Por ello, antes de lidiar con modelos no lineales
veremos algunos resultados importantes que se
obtienen del modelo de regresión lineal aplicado a
datos de corte transversal.
 Cabe dar cuenta que el empleo de MCO en modelos de
corte transversal nos conducirá a tener un término de
error heterocedastico.
 Entonces la inferencia debe ser robustas a errores
heterocedasticos y las ganancias de eficiencia son
posibles si se emplean MCP en lugar de MCO.
Regresión y Función de Pérdida

 En la Microeconometría moderna el término regresión


refiere a un conjunto de metodologías que estudian la
relación entre una variable de resultado y un conjunto
de variables explicativas.
 El propósito de la regresión es hacer predicción
𝒚
condicional 𝑬( ⁄𝒙) pero también se emplea para
realizar inferencia causal.

 La función de pérdida se representa de la siguiente


manera:
𝑳(𝒆) = 𝑳(𝒚 − 𝒚
̂)
 Esta función tiene la propiedad de ser creciente en |𝒆|
Y muestra la desutilidad asociada al modelo.

Tipo de función de Definición Predictor Óptimo


pérdida
Errores al cuadrado 𝒆𝟐 𝑬(𝒚/𝒙)
Errores absolutos |𝒆 | 𝒎𝒆𝒅(𝒚/𝒙)
Asimetría absoluta (𝟏 − 𝜶)|𝒆| 𝒔𝒊 𝒆 < 0 𝒒𝜶 (𝒚/𝒙)
𝜶|𝒆| 𝒔𝒊 𝒆 ≥ 𝟎
Por pasos 0 si 𝒆 < 𝟎 𝒎𝒐𝒅(𝒚/𝒙)
1 si 𝒆 ≥ 𝟎
La función de pérdida más conocida es el error al
cuadrado 𝒆𝟐 . Su empleo implica decidir que la función
de pérdida es cuadrática y que la media condicionada
es una función lineal.
En la práctica no existe una razón clara para elegir
alguna de las funciones de pérdida.
𝑵 𝑵 𝑵
𝟐
∑ 𝑳 (𝒆 𝒊 ) = ∑ 𝒆𝟐𝒊 = ∑(𝒚𝒊 − 𝒈(𝒙𝒊 , 𝜷))
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

Si 𝒈(𝒙𝒊 , 𝜷) = 𝜶 + 𝜷𝒙
𝑬(𝒚𝒊 − 𝜶 − 𝜷𝒙)𝟐
Por la CPO
𝟐𝑬[(𝒚 − 𝜶 − 𝜷𝒙)] = 𝟎
𝜶 = 𝑬(𝒚) − 𝜷𝑬(𝒙)

𝟐𝑬[𝒙(𝒚 − 𝜶 − 𝜷𝒙)] = 𝟎

𝑬(𝒙𝒚) − 𝜶𝑬(𝒙) − 𝜷𝑬(𝒙𝟐 ) = 𝟎

𝑬(𝒙𝒚) − [𝑬(𝒚) − 𝜷𝑬(𝒙)]𝑬(𝒙) − 𝜷𝑬(𝒙𝟐 ) = 𝟎

𝑬(𝒙𝒚) − 𝑬(𝒚)𝑬(𝒙) + 𝜷𝑬(𝒙)𝟐 − 𝜷𝑬(𝒙𝟐 ) = 𝟎


𝒄𝒐𝒗(𝒚𝒙) = 𝒗𝒂𝒓(𝒙)𝜷
𝜷 = [𝒗𝒂𝒓(𝒙)]−𝟏 𝒄𝒐𝒗(𝒚𝒙)

OLS
 Variable dependiente docvis
cd "C:\Users\Juan Rivas\Desktop\Dictado_verano2018\Microeconometria"

use doct.dta, clear

quietly keep if year02==1

describe docvis private chronic female income


storage display value
variable name type format label variable label

docvis int %8.0g number of doctor visits


private byte %8.0g = 1 if private insurance
chronic byte %8.0g = 1 if a chronic condition
female byte %8.0g = 1 if female
income float %9.0g Income in $ / 1000

summarize docvis private chronic female income


. summarize docvis private chronic female income

Variable Obs Mean Std. Dev. Min Max

docvis 4412 3.957389 7.947601 0 134


private 4412 .7853581 .4106202 0 1
chronic 4412 .3263826 .4689423 0 1
female 4412 .4718948 .4992661 0 1
income 4412 34.34018 29.03987 -49.999 280.777

regress docvis private chronic female income


Source SS df MS Number of obs = 4412
F( 4, 4407) = 162.29
Model 35771.7188 4 8942.92971 Prob > F = 0.0000
Residual 242846.27 4407 55.1046676 R-squared = 0.1284
Adj R-squared = 0.1276
Total 278617.989 4411 63.1643594 Root MSE = 7.4233

docvis Coef. Std. Err. t P>|t| [95% Conf. Interval]

private 1.916263 .2881911 6.65 0.000 1.351264 2.481263


chronic 4.826799 .2419767 19.95 0.000 4.352404 5.301195
female 1.889675 .2286615 8.26 0.000 1.441384 2.337967
income .016018 .004071 3.93 0.000 .0080367 .0239993
_cons -.5647368 .2746696 -2.06 0.040 -1.103227 -.0262465

Los ingresos están medidos en miles, un incremento de


los ingresos en 10 mil, entonces la visita del médico
aumenta en 10*0.016018
regress docvis private chronic female income,
vce(robust)

Linear regression Number of obs = 4412


F( 4, 4407) = 107.01
Prob > F = 0.0000
R-squared = 0.1284
Root MSE = 7.4233

Robust
docvis Coef. Std. Err. t P>|t| [95% Conf. Interval]

private 1.916263 .2347443 8.16 0.000 1.456047 2.37648


chronic 4.826799 .3001866 16.08 0.000 4.238283 5.415316
female 1.889675 .2154463 8.77 0.000 1.467292 2.312058
income .016018 .005606 2.86 0.004 .0050275 .0270085
_cons -.5647368 .2069188 -2.73 0.006 -.9704017 -.159072
Test de Hipótesis:
test (private = 0) (chronic = 0)
. test (private = 0) (chronic = 0)

( 1) private = 0
( 2) chronic = 0

F( 2, 4407) = 165.11
Prob > F = 0.0000
Método de Momentos

Las suposiciones que se hacen sobre el término de error


implican que:
𝐸 (𝑢) = 0 y 𝑐𝑜𝑣 (𝑥, 𝑢) = 0
En el método de momentos estos supuestos se
reemplazan por sus contrapartes muestrales.

𝐸 (𝑢) = 0 1
∑ 𝑢̂𝑖 = 0
𝑛
𝑐𝑜𝑣(𝑥, 𝑢) = 0 1
∑ 𝑥𝑖 𝑢̂𝑖 = 0
𝑛
Estos resultados implican que:
∑ 𝑦𝑖 = 𝑛𝛼̂ − 𝛽̂ ∑ 𝑥𝑖

∑ 𝑦𝑖 𝑥𝑖 = 𝛼̂ ∑ 𝑥𝑖 − 𝛽̂ ∑ 𝑥 2

Considere los siguientes datos de gastos en publicidad e


ingresos por ventas para una tienda deportiva durante 5
meses.
Ingresos por ventas (y) en Gasto en publicidad (x) en
Mes
miles de soles soles
1 3 1
2 4 2
3 2 3
4 6 4
5 8 5
El siguiente paso ahora consiste en realizar los siguientes cálculos

Observación x y 𝑥2 xy 𝑢̂𝑖
1 1 3 1 3 0.8
2 2 4 4 8 0.6
3 3 2 9 6 -2.6
4 4 6 16 24 0.2
5 5 8 25 40 1
Total 15 23 55 81 0

A partir de estos datos se tiene que la ecuación de


regresión muestral es:
𝑦 = 1 + 1.2𝑥
De los resultados se obtiene que:
∑ 𝑢̂𝑖2 = 8.8

You might also like