Upload
jhon-ortega-garcia
View
17
Download
0
Embed Size (px)
Citation preview
Modelo Tobit
Tobin(1958), Estimation of relationships for limited dependent variables,
Econometrica
Jhon Ortega Garcia
[email protected] Modelo Tobit 22 de diciembre de 2013 1 / 6
Contenido
1
Deniciones Previas
2
El Modelo
Especicacin
Estimacin
[email protected] Modelo Tobit 22 de diciembre de 2013 1 / 6
Deniciones Previas
Deniciones Previas
Teoremas
Densidad de una Variable Aleatoria Truncada Sea una funcion de densidad
f(x),y a R, entonces
f(x|x > a) = f(x)f(x > a)(1)
Momentos de una Distribucin Normal Truncada Si f N [, 2] y a R,entonces
E[x|x > a] = + () (2a)V ar[x|x > a] = 2 [1 ()] (2b)donde = (a )/, () es la funcin de densidad normal estandar y
() =()
1 () si x > a () =()()si x < a
() = () [() ][email protected] Modelo Tobit 22 de diciembre de 2013 2 / 6
El Modelo Especicacin
El Modelo
Especicacin
Sea Yi una variable aleatoria dependiente limitada con limite inferior li1
.
Se supone una relacin lineal entre las variables explicativas X y la variableobservabaYi, tal que
Yi = Xi + ei
de tal manera que Y tomara valores de acuerdo a la siguiente especicain
Especicacin
Yi = li si Yi li
Yi = Yi ei si Y i > li
1
El limite no es necesariamente el mismo para todas las observaciones
[email protected] Modelo Tobit 22 de diciembre de 2013 3 / 6
El Modelo Especicacin
las pobabilidades asociadas a Yi, son:
Primero la probabilidad de Yi = li
P (Yi = li) = P (Yi li) = P (ei Yi li)
estandarizando
P
(ei o Yi li
)= 1
(Yi li
)Ahora la probabilidad asociada a cada valor de Yi = Y
i
P (Yi = Yi = x > li) = P (Y
i ei > x) = F (ei < (Yi x)/)Funcin de distribucin acumulada de YiF (x) = 0 si x < L
F (L) = 1 (Yili
)F (x) = F (ei < (Yi x)/) si x > [email protected] Modelo Tobit 22 de diciembre de 2013 4 / 6
El Modelo Estimacin
Estimacin
Maxima Verosimilitud
Suponiendo que hay q observacion donde Yi ei ai indexados porj = 1, 2...q y r observaciones donde Yi ei ai indezados por j = 1, 2...rSea (a0, a1, a2...am, a) los estimados de (0/, 1/, 2/...m/, 1/)Sea
I i = Yi a = a0 + a1X
1i, a2X
2i..., X
mi y
Ij = Yja = a0 + a1X1j , a2X2j ..., XmjLa funcin de versoimiltud de la muestra es:
(a0, a1, a2...am, a) =
qi=1
F (L)
rj=1
f(x)
=
qi=1
Q
(Y i Y i
1/a
) rj=1
aZ
(Y j Y j
1/a
)
=
qi=1
Q(I i aW i
) rj=1
aZ(I j aW j
)[email protected] Modelo Tobit 22 de diciembre de 2013 5 / 6
El Modelo Estimacin
Estimacin
Funcin de Log-verosimilitud
El logaritmo de ,
ln =
qi=1
lnQ(I i aW i
)+ r ln a r
2ln 2pi 1
2
rj=1
(I j aW j
)2Los test de especicacin son los usuales(Wald, LM LR)
La resolucin del modelo se puede realizar mediante el metodo de
Gaus-Newton.
[email protected] Modelo Tobit 22 de diciembre de 2013 6 / 6
Definiciones PreviasEl ModeloEspecificacinEstimacin