Upload
fiorella-carletti
View
215
Download
0
Embed Size (px)
Citation preview
Il modello di Regressione
2
'
'
i
ii
iii
yV
xyE
xy
Ricordando che:
TRONCAMENTO : E(x/x>a) = + (a) e V(x/x>a) = ²[1- (a)]
CENSURA:
)(1)(1)(
)()(1)()(22
cens
cens
yVar
ayE
Regressione troncata: modello
)(1/
)('/
'
2iii
iiii
i
iii
ayyV
xayyE
ay
xy
iicens
iii
censi
iii
ii
iii
xxyVar
xx
yE
ayseyy
aysey
xy
'1
'1
)(''
0
00
'
22
**
*
*
Regressione censurata: modello
Regressione troncata: verosimiglianza
Regressione censurata: verosimiglianza
i
i
iii
xa
xyL
'1ln
'1
)ln(2)2ln(2
1)ln( 2
2
0
0
2
2
'1ln
'1
)ln(2)2ln(2
1)ln(
i
i
y
i
yii
xa
xyL
Regressione troncata: effetto marginale
ii
ii
i
i
x
ayy
x
y
1/
Regressione censurata: effetto marginale
ii
i
i
x
ayy
x
y
i
i
1/ *
*
Esempio di stima:
modello per le ore lavorate da un campione di donne (USA)
Quester e Greene (1982)
Obiettivo: verificare se le le donne il cui matrimonio sta perdissolversi, tendono a passare più o meno ore al lavoro
Variabile MLE Effetto
marginale
OLS OLS / % non censurati
Figli
piccoli
-824.19 -376.53 -352.63 -766.59
Titolo
studio
22.59 10.32 11.47 24.93
Salario 286.39 130.93 123.95 269.46
Secondo
matrimonio
25.33 11.57 13.14 28.57
Bassa prob.
divorzio
481.02 219.75 219.22 476.57
Alta prob.
divorzio
578.66 264.36 244.17 530.80
Esempio 2: Sportelli bancari = f(addetti)Dati effettivi, censura artificiale
addetti sportelli Osservati addetti sportelli Osservati777 37 0 1314 125 0636 43 0 1605 149 0458 46 0 2280 164 0605 46 0 2674 194 0581 48 0 3114 207 0604 49 0 2299 211 0577 55 0 3161 234 0603 55 0 3988 246 0775 56 0 5890 275 0660 56 0 4299 310 0698 61 0 4492 311 0764 62 0 4853 312 0630 68 0 3857 377 0702 72 0 2772 387 0659 79 0 5081 401 401
1120 81 0 6490 430 430789 81 0 14437 648 648
1312 88 0 7832 654 6541510 89 0 11179 672 672
479 89 0 19885 675 6751147 107 0 13905 810 8101305 121 0 21340 1181 1181
20612 1286 1286
Esempio 2: Sportelli bancari = f(addetti)Dati effettivi, censura artificiale
-200
0
200
400
600
800
1000
1200
1400
0 5000 10000 15000 20000 25000
OLSOLS-0
TRUNC
TOBIN
osservati
residui
-600
-400
-200
0
200
400
600
0 5000 10000 15000 20000 25000
ols
ols-zeri
trunc
tobin
OLS-TOT OLS-zer Trunc Tobin
Costant 13,67 -76,72 208,52 -613,67
t 0,72 -3,44 1,56 -3,44
beta 0,05 0,06 0,04 0,09
t 19,29 17,01 4,45 6,81
sigma 102,37 120,07 159,11 283,40
veros -271,11 -278,29 -58,12 -69,69
AIC 9,14 9,86 11,45 10,04
Eteroschedasticità
Problema, in generale risolto sostituendo nella MLE
Naturalmente è necessario specificare una “forma per l’eteroschedasticità
Ad esempio:
Non normalità stimatore robusto: LAD (Least Absolute Deviation) estimatorMolto complessoTest di chester e Irish (1987) sui residui generalizzati
Stima con dati panel = problema ancora aperto
Problema principale sono i processi “double hurdle” con doppia decisione
Sample selection models
22icon
222 exp ii w