Examen Mai 2011 - Curso de C.

Hurlin - Maestra ESA 1

SOLUCIONARIO:

EJERCICIO 1: Modelo tobit

Pregunta 1 (1 punto):Se sabe que se priva a:

+ xi
Pr(yi = 0) = Pr(yi < 0) = 1 ( ) 1punto (1)

Pregunta 2 (2 puntos):Las contribuciones a la verosimilitud de cada tipo de habitantes son los

siguientes:

Numero de Observaciones yi xi contribucin

9 observaciones yi = 0 xi = 1 1

3 observaciones yi = 0 xi = 0 1
2
1 4
1 observaciones yi = 2 4 xi = 0
2
1 2
1 observaciones yi = 2 2 xi = 0
1 1
1 observaciones yi = 1 xi = 1

Por lo tanto, la probabilidad se escribe como:

xi 1 yi xi
log L(y; , , 2 ) = log [1 ( )] + log [( ) ( )]
i:yi =0 i:yi >0

+
= 9 log [1 ( )] + 3log [1 ( )]

1 + 4 1 + 2 1 +1
+log [( ) ( )] + log [( ) ( )] + log [( ) ( )]

+ 3
= 9 log [1 ( )] + 3log [1 ( )] log(2 )
2

+ 4 + 2 +1
+log [ ( )] + log [ ( )] + log [ ( )]

(2)
Examen Mai 2011 - Curso de C. Hurlin - Maestra ESA 2

Simplificando, tenemos:
+ 3
log L(y; , , 2 ) = 9 log [1 ( )] + 3log [1 ( )] log(2 )
2
(3)
3 1
log (2) 2 [( + 4)2 + ( + 2)2 + (1 + )2 ]
2 2
Finalmente
+ 3
log L(y; , , 2 ) = 9 log [1 ( )] + 3log [1 ( )] log(2 )
2
(4)
3 1
log (2) 2 (7 + 2 + 2 )
2 2

Pregunta 3 (2 puntos): Se plantea zi como una variable dicotmica como:

1 si y > 0
i
zi = i = 1.., N (5)
0 caso contrario

La verosimilitud del modelo probit asociado a la zi se escribe como:

+ xi + xi
log L(z; , , ) = zilog [( )] + (1 zi )log[1 ( )]

+
= 2log [( )] + log [(( )] (6)

+
+ 9log [1 ( )] + 3log [1 ( )]

Pregunta 4 (2 puntos): Se plantea los estimadores de Mxima Verosimilitud (

b /
c , b/
c ) tal
que:

(
b /
c , b/
c ) = arg max [log L(z; , )]
{ , }
(7)

Veamos el cambio de variable siguiente:
+
z1 = ( ) z2 = ( ) (8)

La funcin log-verosimilitud se escribi entonces:

log L(z; z1 , z2 ) = 2 x log (z2 ) + log (z1 )

(9)
+9 x log (1 z1 ) + 3 x log (1 z2 )
Examen Mai 2011 - Curso de C. Hurlin - Maestra ESA 3

Luego, observamos la pareja de estimadores (zb1 , zb2 ) tales que:

(zb1 , zb2 ) = arg max{z1 ,z2 } log L(z; z1 , z2 ) (10)

Las condiciones necesarias se escriben:

L(z; z1 , z2 ) 1 9
|zb1 = = 0 (11)
z1 zb1 1 zb1
L(z; z1 , z2 ) 2 3
|zb2 = = 0 (12)
z2 zb2 1 zb2
Entonces decimos:
1 2
zb2 =
zb1 = (13)
10 5
Deducimos entonces los estimadores de Mxima verosimilitud y ya que:

= 1 (zb2 ) = 1 ( 52 ) = 0.2533
b
(14)

c
b 1 2
= 1 (zb1 ) 1 (zb2 ) = 1 ( ) 1 ( ) = 1.0282 (15)

c 10 5

Pregunta 5 (2 puntos): Determinemos el valor del coeficiente de Mills para las tres personas
no censurados. Por definicin:
b + xi b
b + xi b
b + xi b 1

( ) = ( )[( )] (16)

c
c
c
Por lo tanto para los dos individuos no censurados para los cuales xi = 0 tenemos:

) = ( )[( )]1
b b b
(

c
c
c
= (0.2533 1.0283)[(0.2533 1.0282)]1 (17)

= 1.7549

Pregunta 6 (2 puntos): La regresin de la segundo etapa de Heckman slo se refiere a las tres
personas no censurados y se escribe bajo la forma:

b + xi b

yi = xi + ( ) + i (18)

c
As que aqu tenemos:

4 1 0 0.9658
1
2 = 1 0 0.9658 + 2 (19)


1 1 1 1.7549 3
Examen Mai 2011 - Curso de C. Hurlin - Maestra ESA 4

El estimador MCO de los parmetros , y se define por:

1

b 1 1 1 1 0 0.9658

= X 1 0
b
0 0 1 0.9658


c 0.9658 0.9658 1.7549 1 1 1.7549

1 1 1 4

X X 2 (20)

0 0 1

0.9658 0.9658 1.7549 1

Obtemos:
b = 0.9696 , b = -3.1544 y
b = 0.5353

Pregunta 7 (2 puntos): Se supone que los estimadores MCO de los parmetros de la siguiente
regresin lineal:
yi = + xi + i (21)

Obtenido a partir de los datos de los 15 individuos de la muestra son = 0,3104 y = -0.5604.
Sabemos que los estimadores MCO son parciales y que bajo los supuestos de Goldberger, ten-
emos:

bLS x ( ) (22)
y
Donde corresponde a la constante de la ecuacin yi = + xi + i y y 2 = 2 + 0
, donde representa la matriz de varianzas y covarianzasde las variables explicativas xi . Un
estimador imparcial de (de igual manera para ) por lo tanto, se define por la cantidad bc =
LS

(N/N1 ) x bLS , donde N1 es el nmero de observaciones para los cuales yi > 0 , es un estimador
convergente de .

c N
bLS = bLS x ( ) (23)
N1 y
Aqu N1 = 3 y N = 15; por lo tanto se tiene:

c 15
bLS = 0.5604 x = 2.801 (24)
3

c 15

bLS = 0.3104 x = 1.5519 (25)
3
Examen Mai 2011 - Curso de C. Hurlin - Maestra ESA 5

Estos valores son significativamente diferentes de los obtenidos por el mtodo de Heckman,
desde supuestos Goldberger no se cumplen en este caso, xi es una variable dicotmica que no
puede ser una distribucin normal (punto de bonificacin + 1).

Pregunta 8 (2 puntos): En nuestro caso, tenemos:

E(yi /xi ) + xi
= ( ) i = 1.., N (26)
xi

Para las personas de tal manera que xi = 0; se tiene:

E(yi /xi )
xi = ( )

0.9696 (27)
= ( ) x (3.1544)
0.5353

= 3.0439

Para las personas de tal manera que xi = 1; se tiene:

E(yi /xi ) +
= ( )
xi

0.9696 3.1544 (28)

= ( ) x (3.1544)
0.5353

= 0.000007
Examen Mai 2011 - Curso de C. Hurlin - Maestra ESA 6

EJERCICIO 2: Modelo logit independiente

Pregunta 1 (2 puntos): cf. curso.

Pregunta 2 (2 puntos): Para cada variable, incluyendo al trmino constante de intercepcin,

aparecern slo tres parmetros. La relacin de la categora de referencia se omiti porque
sabemos que es 0. La categora de referencia es donde los trabajadores son obreros (cs = 4). Los
tres valores para cada variable se asocian con tres categoras cs, con exclusin de la categora
referencia que ordena en orden ascendente los trminos de la variable cs. Por ejemplo, el
parmetro age1 (0.0873) mide el efecto de la edad sobre la pertenencia a la categora de gerentes
(en lugar de la de los obreros). En general, tenemos:

exp(xi j )
Pr(yi = j) = (29)
1 + k=1 3 exp(xi k )

Donde el vector se normaliza a cero: 4 = 0. Dado que el modelo logit independiente satisface
la IIA hiptesis, por dos perodos separados j y k:

Pr(yi = j) exp(xi j )
exp[xi ( j k )] (30)
Pr(yi = k) exp(xi k )
En particular para el gerente (j = 1) y obrero (k = 4), tenemos:

Pr(yi = 1) exp(xi 1 )
= = exp[xi (1 4 )] = exp(xi 1 ) (31)
Pr(yi = 4) exp(xi 4 )
Por lo tanto, para una mujer (sexo = 1), de nacionalidad francesa (ETR = 0),de 30 aos (age =
30), o haber estudiado a 22 (Afinet = 22), tenemos:

Pr(yi =1)
Pr(yi =4) = exp(15.3794 + 0.0873 age 0.2628 f em + 0.6157 a f net 1.5111 etr)
= exp(15.3794 + 0.0873 30 0.2628 1 + 0.6157 22 1.5111 0)
= 1.6857
(32)
Esta mujer tiene 1,68 veces ms probabilidades de ser parte de ese trabajo.

Pregunta 3 (2 puntos): El efecto marginal de la edad sobre la probabilidad de que el individuo

i elija la modalidad j, j = 1,.., 4, es:
Examen Mai 2011 - Curso de C. Hurlin - Maestra ESA 7

pi j 4
= pi j [ a ge j pi,z a gez ] (33)
agei z=1
Se sabe que para este individuo:
Pr(yi = 1) = 0.1380 (34)

Pr(yi = 2) = 0.2297 (35)

Pr(yi = 3) = 0.2209 (36)

Pr(yi = 4) = 0.4114 (37)

Por lo tanto, se trata de:

Pr(yi =1)
agei = Pr(yi = 1) x [0.0873 Pr(yi j) x a gez ]
= 0.1380 x [0.0873 0.1380 x 0.0873 0.2297 x 0.0595
(38)
0.2209 x 0.0375 0.4114 x 0]
= 0.0074

Pr(yi =4)
agei = Pr(yi = 1) x [0 Pr(yi j) x a gez ]
= 0.4114 x [0 0.1380 x 0.0873 0.2297 x 0.0595
(39)
0.2209 x 0.0375 0.4114 x 0]
= 0.0140
Para este individuo, cuando se incrementa la edad, la probabilidad de ser ejecutivo aumenta y
la de ser obrero disminuye.