Tema 6 Slides

ECONOMETRIA
Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS
César Alonso
UC3M
César Alonso (UC3M) ECONOMETRIA. Tema 6 1 / 70

Endogeneidad
Dado el modelo de regresión lineal:
Y = β0 + β1 X1 + β2 X2 + + βK XK + ε
Si se cumple que
E (εjX1 , X2 , . . . , XK ) = 0, 8X1 , X2 , . . . , XK ,
decimos que tenemos variables explicativas exógenas.

Si por alguna razón (omisión de variables relevantes, errores de
medida, simultaneidad, etc.) Xj está correlacionada con ε, decimos
que Xj es una variable explicativa endógena.

Endogeneidad
La existencia de variables explicativas endógenas invalida los

estimadores MCO de los parámetros del modelo, que serán
inconsistentes.
En este tema vamos a estudiar cómo obtener estimadores consistentes
de los parámetros del modelo en presencia de variables explicativas
endógenas,
utilizando variables instrumentales y
aplicando el método de mínimos cuadrados bietápicos o mínimos
cuadrados en dos etapas (MC2E).

Endogeneidad
Ejemplo 1: Error de medida en variables explicativas
Recordemos en el modelo de regresión simple Y = β0 + β1 X + ε
donde se cumplen los supuestos clásicos y por tanto:
E ( ε jX ) = 0 ) E (Y jX ) = L(Y jX ) = β0 + β1 X ,
de manera que β0 y β1 veri…can:
E (ε) = 0, C (X , ε ) = 0 )
β0 = E (Y ) β1 E (X ) β1 = C (X , Y )/V (X ).
Sin embargo, X se mide con error, de modo que observamos
X = X + v1 , siendo v1 el error de medida.
Sustituyendo X = X v1 , tenemos:
Y = β0 + β1 X + ( ε β v 1)
| {z1 }
u
donde C (u, X ) 6= 0 ) X es endógena.
Endogeneidad
Ejemplo 2: Omisión de variables explicativas

Recordemos el caso de omisión de variables relevantes.
Sea el modelo Y = γ0 + γ1 X1 + u, donde u = ε + β2 X2 con
β2 6= 0 ) se ha omitido X2 .
En general, C (X1 , u ) 6= 0 ) X1 es endógena.

Endogeneidad
Ilustraciones:
1 Capacidad no observada en una ecuación de salarios.
Consideremos la siguiente ecuación de salarios:
log(salario ) = β0 + β1 educ + β2 cap + e.
Como la capacidad cap es no observable, nos quedaríamos con el

siguiente modelo de regresión simple:
log(salario ) = β0 + β1 educ + u,
donde el término de error u contiene cap. Si estimamos por MCO,

obtendremos un estimador sesgado e inconsistente de β1 si
C (educ, cap ) 6= 0.
2 Efecto del tabaco sobre los salarios (ignorando el nivel de educación).
3 Efecto del tabaco sobre el cáncer (ignorando el estado físico).
Endogeneidad
Ejemplo 3: Simultaneidad
Es bastante habitual que las realizaciones de distintas variables
económicas estén relacionadas entre sí.
Esto supone que la ecuación de la variable dependiente en que
estamos interesados forma parte de un sistema de ecuaciones
simultáneas:
algunas variables que aparecen en el lado derecho de la ecuación de
interés aparecen como variables dependientes en otras ecuaciones, y
viceversa.

Endogeneidad
Ejemplo 3a: Modelo de equilibrio de mercado
Consideremos el siguiente sistema:
Y1 = α1 Y2 +α2 X1 +u1 (Demanda)
Y2 = α3 Y1 +α4 X2 +α5 X3 +u2 (Oferta)
Las variables endógenas Y1 = cantidad, Y2 = precio, se determinan

por medio de
las variables exógenas X1 = renta, X2 = salario, X3 = tipo de interés,
y por las perturbaciones u1 = shock de demanda, u2 = shock de oferta.
Las variables Y1 e Y2 , que aparecen en el lado derecho de las
respectivas ecuaciones de oferta y demanda, no son ortogonales a sus
respectivas perturbaciones:
E ( Y1 j Y2 , X1 ) = α1 Y2 + α2 X1 + E ( u1 j Y2 , X1 )
| {z }
6= 0
Endogeneidad
Ejemplo 3b: Función de producción

Si la empresa es maximizadora de bene…cios o minimizadora de costes,
las cantidades de inputs se determinan simultáneamente con el nivel de
producción,
la perturbación, que re‡eja el efecto de shocks tecnológicos, está en
general correlacionada con las cantidades de inputs.

Variables instrumentales
El método de Variables Instrumentales (VI) permite obtener

estimadores consistentes de los parámetros en situaciones en que el
estimador MCO es inconsistente (omisión de variables relevantes,
errores de medida o simultaneidad).

En general, tenemos que dado el modelo:
Y = β0 + β1 X + ε (1)
donde C (X , ε) 6= 0 ) Los parámetros de interés β0 y β1 NO

coinciden con los parámetros de la proyección lineal L(Y jX ) )
los estimadores MCO (b β0 y b
β1 ) de la proyección lineal de Y sobre X
son estimadores inconsistentes de β0 y de β1 :
1 1
p lim n ∑i xi yi p lim ∑i xi ( β1 xi + εi )
p lim b
β1 = 1
= n
p lim n ∑i xi
2 p lim n1 ∑i xi2
1
p lim n ∑i xi εi C (X , ε )
= β1 + 1
= β1 + 6 = β1
n ∑i xi
p lim 2 V (X )
con: yi = Yi Y , xi = Xi X.
De…nición: variables instrumentales (VI)
En el modelo:
Y = β0 + β1 X + ε (2)
donde C (X , ε) 6= 0,
necesitamos información adicional (en forma de variables

adicionales) para obtener estimaciones consistentes de β0 y de β1 .
Supongamos que disponemos de una variable Z (denominada Variable

Instrumental) que:
no esté correlacionada con el error del modelo: (a) C (Z , ε) = 0;
esté correlacionada con la variable endógena X : (b) C (Z , X ) 6= 0

El estimador de VI en el modelo simple
Empleando Z como instrumento, podremos obtener estimadores

consistentes de β0 y de β1 .
A partir de (2) podemos escribir:
C (Z , Y ) = β1 C (Z , X ) + C (Z , ε )
lo que, dado (a), implica que en la población se veri…ca que:
C (Z , Y )
β1 =
C (Z , X )
C (Z , Y )
β0 = E (Y ) β1 E (X ) = E (Y ) E (X )
C (Z , X )

El estimador de VI en el modelo simple
Suponiendo que disponemos de una muestra aleatoria de la población

de tamaño n, y sustituyendo momentos poblacionales por muestrales
(principio de analogía) en las expresiones anteriores, se obtiene el
Estimador de Variables Instrumentales (VI):
e SYZ ∑ zi yi
β1 = = i
SXZ ∑i zi xi
e
β0 = Y e β1 X
con: yi = Yi Y , xi = Xi X , zi = Zi Z.

Propiedades del estimador de VI en el modelo simple
Siempre que se cumplan (a) y (b), el estimador de VI será un

estimador consistente:
1 1
p lim ∑i zi yi p lim ∑i zi ( β1 xi + εi )
p lim e
β1 = n
1
= n
p lim n ∑i zi xi p lim n1 ∑i zi xi
1
p lim n ∑i zi εi C (Z , ε )
= β1 + 1
= β1 + = β1
p lim n ∑i zi xi C (Z , X )

Prop. del estimador de VI en el modelo simple; Condición (a)
Toda variable instrumental o instrumento debe cumplir las dos

propiedades, (a) y (b). A este respecto:
La condición (a) de que C (Z , ε) = 0, no puede contrastarse.
Debemos suponer que es así mediante argumentos basados en el
comportamiento económico o en alguna conjetura.
) Hay que ser muy cuidadoso en la elección de Z .

Propiedades del estimador de VI en el modelo simple: Condición (b)
La condición (b) de que C (Z , X ) 6= 0 sí puede contrastarse en la

muestra.
Lo más sencillo es considerar la proyección lineal de X sobre Z :
X = π0 + π1 Z + v ,
estimarla por MCO y contrastar:
H0 : π 1 = 0 frente a H1 : π 1 6= 0
Nota: Si Z = X , obtenemos la estimación de MCO.

Es decir, cuando X es exógena, puede utilizarse como su propio
instrumento, y el estimador de VI es entonces idéntico al estimador
MCO.

La varianza del estimador de VI
En general, el estimador de VI tendrá una varianza mayor que el de

MCO.
Para verlo, nótese que la varianza estimada del estimador de VI de e
β1 ,
se2 , puede escribirse como:
β1
b (e e2 Sz2
σ e2
σ
seβ2 V β1 ) = 2
= 2 S2
,
1 nSZX n rZX X
donde
SZX
rZX =
SZ SX
es el coe…ciente de correlación muestral entre Z y X (que mide el
grado de relación lineal entre X y Z en la muestra).

Recordemos que la varianza estimada del estimador MCO de β1 , b

β1 ,
es
b2
σ
sbβ2 = ,
1 nSX2
donde:
b2 =
σ 1
n
2
∑ bεi ,
i
siendo bεi el residuo de la estimación de MCO.

Si X es en realidad exógena, los estimadores MCO son consistentes, y
en tal caso
b2 = p lim σ
p lim σ e2 = σ2 .
Como 0 < jrZX j < 1, esto implica que: se2 > sb2 (y la diferencia será
β β 1 1
tanto mayor cuanto menor sea rZX en valor absoluto).

Por tanto, si X es exógena, realizar la estimación por VI en vez de

por MCO tiene un coste en términos de e…ciencia.
Cuanto menor sea la correlación entre Z y X , mayor será la
varianza de VI respecto a la de MCO.
En ese caso, tanto b
β1 como eβ1 son consistentes, y asintóticamente la
varianza del estimador de VI relativa al de MCO depende inversamente
de ρZX , .
p lim seβ2 sbβ2 = 1/ ρ2ZX
1 1
Es decir, en el límite,
Si ρZX = 1% = 0.01, V (e
β1 ) ' 10000V b
β1 , y por tanto
seβ ' 100sbβ .
1 1
Si ρZX = 10% = 0.01, V (e β1 ) ' 100V b β1 , y por tanto seβ ' 10sbβ .
1 1
Incluso con una correlación relativamente alta, ρZX = 50% = 0.5,
V (e
β ) ' 4V b
1 β , y por tanto se ' 2sb .
1 β1 β1
PERO si X es endógena, la comparación entre el estimador MCO y

el de VI en términos de e…ciencia NO tiene sentido, porque el
estimador MCO es inconsistente.

Inferencia con el estimador de VI
Consideremos el modelo simple
Y = β0 + β1 X + ε.
Suponiendo homocedasticidad condicional:
V ( ε jZ ) = σ 2 = V ( ε ),
se puede demostrar que
e
β1 β1
e N (0, 1)
seβ
1

Inferencia con el estimador de VI
donde seβ es el error estándar del estimador de variables

1
instrumentales:
b (e e2 Sz2
σ
seβ2 V β1 ) = 2
1 nSZX
e Sz
σ
) seβ = p
1 nSZX
y donde:
e2 =
σ 1
n ∑ eε2i ,
i
siendo eεi el residuo de la estimación de VI:
eεi = Yi e
β0 + e
β1 Xi = yi e
β1 xi
Esto permite construir intervalos de con…anza y realizar contrastes de
hipótesis.
Bondad del ajuste con variables instrumentales
La mayor parte de los programas econométricos calculan el R 2 con la

estimación de VI mediante la fórmula convencional:
2
2 ∑i eεi
R =1 ,
∑i yi2
donde eεi son los residuos de VI.

Sin embargo, cuando X y ε están correlacionadas esta fórmula del R 2
no es correcta. El R 2 de la estimación de VI:
puede ser negativo si ∑i eε2i > ∑i yi2 .
no tiene una interpretación natural, porque si C (X , ε) 6= 0, no
podemos descomponer la varianza de Y como β21 V (X ) + V (ε).
no puede utilizarse para construir el estadístico de contraste W 0 (hay
que usar la Suma de cuadrados de los residuos).

VI vs MCO
Si nuestro objetivo fuese maximizar el R 2 , siempre utilizaríamos MCO.

Pero si nuestro objetivo es estimar apropiadamente el efecto causal de
X sobre Y , β1 :
Si C (X , ε) = 0, deberíamos utilizar MCO
(será más e…ciente que cualquier estimador de VI que utilice Z 6= X ).
Si C (X , ε) 6= 0, MCO no será consistente,
mientras que sí lo será un estimador de VI con Z 6= X apropiado
(La bondad del ajuste, en este contexto, no es el aspecto de interés).

Instrumentos no adecuados
El estimador de VI es consistente si (a) C (Z , ε) = 0, (b)

C (Z , X ) 6= 0.
Si no se cumplen estas condiciones, el estimador de VI puede tener un
sesgo asintótico mayor que el de MCO, especialmente si jρXZ j es
pequeña..
Podemos ver esto comparando los p lim de ambos estimadores, VI
(cuando existe la posibilidad de que Z y ε estén correlacionadas) y
MCO (cuando X es endógena).
C (Z , ε )
p lim e
β1 = β1 +
C (Z , X )
C (X , ε )
p lim b
β1 = β1 +
V (X )

Expresado en términos de las correlaciones y desviaciones estándar

poblacionales de ε y X respectivamente:
ρ σε
p lim e
β1 = β1 + Z ε
ρZX σX
σε
p lim b
β1 = β1 + ρX ε
σX
Por tanto, preferiríamos el estimador de VI al MCO si
ρZ ε
< ρX ε .
ρZX

Cuando Z y X no están correlacionadas en absoluto, la situación es

especialmente mala, esté o no Z correlacionada con ε.
Cuando Z y X presentan una correlación muestral rZX muy pequeña,

el problema será muy parecido:
Puede estar re‡ejando que C (Z , X ) = 0.
Las estimaciones serán muy imprecisas, pudiendo presentar valores
implausibles.

Instrumentos no adecuados: Ejemplo
Ejemplo: Efecto del consumo de tabaco sobre el peso del niño al

nacer
El siguiente ejemplo ilustra por qué siempre deberíamos comprobar si
la variable explicativa endógena está correlacionada con el
instrumento potencial.
Al estimar el efecto de varias variables, entre ellas el consumo de
tabaco por parte de la madre, en el peso de los recién nacidos, se han
obtenido los siguientes resultados:

Model 1: OLS, using observations 1-1388

Dependent Variable: LBWGHT
Variable Coe¢ cient Std. Error t-Statistic p-value
PACKS 0.0837 0.0175 4.80 0.000
MALE 0.0262 0.0100 2.62 0.009
PARITY 0.0147 0.0054 2.72 0.007
LFAMINC 0.0180 0.0053 3.40 0.001
const 4.6756 0.0205 228.53
R2 0.0350

Donde
LBWGHT = logaritmo del peso del bebé al nacer,
MALE = variable binaria que vale 1 si el bebé es varón y 0 en otro caso,
PARITY = orden de nacimiento (entre sus hermanos) del bebé,
LFAMINC = logaritmo de la renta familiar en miles de dólares,
PACKS = número medio de cajetillas diarias fumadas por la madre
durante el embarazo.

Puede que PACKS esté correlacionado con otros hábitos de salud y/o
con un buen cuidado prenatal ) PACKS y el término de error podrían
estar correlacionados.
Posible variable instrumental para PACKS: precio medio de los
cigarrillos en el Estado de residencia (CIGPRICE).
Supondremos que CIGPRICE no está correlacionado con el término de
error (aunque las ayudas estatales a la salud podrían estar
correlacionadas con los impuestos al tabaco).
La teoría económica sugiere que C (PACKS,CIGPRICE) < 0.

Instrumentos no adecuados:Ejemplo
Proyección lineal de PACKS sobre CIGPRICE y resto de las variables

exógenas (forma reducida):
Model 1: OLS, using observations 1-1388

Dependent Variable: PACKS
Variable Coe¢ cient Std. Error t-Statistic p-value
CIGPRICE 0.0008 0.0008 1.00 0.317
MALE 0.0047 0.0158 0.30 0.766
PARITY 0.018 0.0089 2.04 0.041
LFAMINC 0.0526 0.0087 6.05 0.000
const 0.1374 0.1040 1.32 0.187
R2 0.0305

Los resultados de la forma reducida indican que no hay relación entre

el consumo de cigarrillos durante el embarazo y el precio de los
cigarrillos (es decir, que la elasticidad precio del consumo de tabaco,
que es un bien adictivo, no es estadísticamente distinta de cero).
Dado que PACKS y CIGPRICE no están correlacionadas, CIGPRICE no
cumple la condición (b) ) no deberíamos utilizar CIGPRICE como
instrumento.
Pero, ¿qué sucede si utilizamos CIGPRICE como instrumento? Los
resultados de la estimación VI son:

Model 1: TSLS, using observations 1-1388

Dependent Variable: LBWGHT
Instrumented: PACKS
Instruments: CIGPRICE
Variable Coe¢ cient Std. Error t-Statistic P-VALUE
PACKS 0.7971 1.1132 0.72 0.474
MALE 0.0298 0.0172 1.73 0.084
PARITY 0.0012 0.0254 0.05 0.961
LFAMINC 0.0636 0.0571 1.12 0.265
C 4.4679 0.2563 17.43 0.000
R 2 . F-statistic 2.50

El coe…ciente de PACKS es muy grande y tiene un signo opuesto al

esperado. El error estándar es también muy grande.
Pero las estimaciones carecen de sentido, ya que CIGPRICE no cumple
uno de los requisitos para ser un instrumento válido.

Generalización: el estimador de MC2E
Modelo simple
Sea el modelo:
Y = β0 + β1 X + ε donde C (X , ε) 6= 0,
Disponemos de dos posibles Variables Instrumentales Z1 y Z2 que

cumplen:
C (Z1 , ε) = 0, C (Z2 , ε) = 0,
C (Z1 , X ) 6= 0, C (Z2 , X ) 6= 0.
Podríamos obtener dos estimadores simples de VI, uno con Z1 y otro

con Z2 , que serán numéricamente distintos.
PERO también podemos obtener un estimador de VI que use como
instrumento una combinación lineal de Z1 y Z2 :
Obtendríamos el estimador de Mínimos Cuadrados en 2 Etapas
(MC2E)
Modelo simple
1a Etapa: Se estima por MCO la proyección lineal de la variable

endógena X sobre los instrumentos Z1 y Z2 (conocida como forma
reducida):
X = π 0 + π 1 Z1 + π 2 Z2 + v . (3)
b0, π
Sean π b1, πb 2 los estimadores MCO de dicha forma reducida.
Los valores ajustados de X a partir de dichas estimaciones son:
b =π
X b0 + π
b 1 Z1 + π
b 2 Z2 .
b (de ahí el
2a Etapa: Se estima por MCO la regresión de Y sobre X
nombre de MC2E):
b +u
Y = β0 + β1 X
b.
Dicho estimador equivale a estimar β0 y β1 por VI usando Z = X
Modelo simple
Aunque en ambos casos los coe…cientes son los mismos, los errores
estándar al obtener MC2E secuencialmente son incorrectos.
La razón es que el término de error de la segunda etapa, u, incluye v ,
pero los errores estándar comprenden la varianza de ε solamente.
La mayoría de los paquetes econométricos tienen instrucciones
especiales para llevar a cabo MC2E, por lo que no es preciso realizar
las dos etapas secuencialmente.

Interpretación de la forma reducida
La forma reducida (3) descompone de forma aditiva la variable

explicativa endógena en dos partes:
La parte exógena de X , explicada linealmente por los instrumentos,
π 0 + π 1 Z1 + π 2 Z2 .
La parte endógena de X , que es lo que queda sin explicar por los
instrumentos, es decir, el error de la forma reducida v .

Interpretación de la forma reducida
Si los instrumentos son válidos y V ( εj Z1 , Z2 ) es homocedástica, se

demuestra que los estimadores de MC2E son consistentes y
asintóticamente normales.
Por tanto, puede hacerse inferencia usando como estimador de la
varianza poblacional
1
e2 = ∑ u
σ e2 ,
n i i
ei2 son los residuos basados en la estimación MC2E.
donde u
Al igual que ocurre con el estimador simple de VI, cuando los
instrumentos no son apropiados (porque están correlacionados con el
término de error o poco correlacionados con la variable endógena) los
estimadores de MC2E pueden ser peores que los de MCO.

Modelo múltiple
Consideremos para simpli…car el modelo de regresión lineal:
Y = β0 + β1 X1 + β2 X2 + ε
donde:
E (ε) = 0, C (X1 , ε) = 0,
C (X2 , ε) 6= 0.
Es decir: X1 es una variable exógena
pero X2 es una variable endógena.

Modelo múltiple
Supongamos que disponemos de una variable instrumental Z tal que
C (Z , ε) = 0.
La forma reducida será:
X2 = π 0 + π 1 X1 + π 2 Z + v .
Para que Z sea un instrumento válido será necesario que π 2 6= 0 (es

decir, que C (Z , X2 ) 6= 0).
Muy importante: Nótese que la forma reducida para la variable

explicativa endógena incluye los instrumentos y todas las variables
explicativas exógenas del modelo.

Modelo múltiple con varias variables explicativas endógenas
¿Qué pasa si tenemos más de una variable endógena?

Supongamos que
Y = β0 + β1 X1 + β2 X2 + β3 X3 + ε
donde X1 y X2 son endógenas, mientras que X3 es exógena.
E (ε) = 0, C (X1 , ε) 6= 0, C (X2 , ε) 6= 0, C (X3 , ε) = 0.
En ese caso, necesitaremos, al menos tantas variables exógenas

adicionales como variables explicativas endógenas haya para poder
utilizar como instrumentos.

Modelo múltiple con varias variables explicativas endógenas
En este caso, sean Z1 y Z2 tales que C (Z1 , ε) = C (Z2 , ε) = 0.

Tendremos una ecuación de forma reducida para cada variable
explicativa endógena,
donde aparecerán todas las variables explicativas exógenas y todos los
instrumentos:
X1 = π 10 + π 11 X3 + δ11 Z1 + δ12 Z2 + v1 ,
X2 = π 20 + π 21 X3 + δ21 Z1 + δ22 Z2 + v2 ,
donde debe cumplirse al menos que δ11 6= 0 y δ22 6= 0 o que δ12 6= 0

y δ21 6= 0.
En general, todos los instrumentos estarán presentes en las ecuaciones

de forma reducida de cada uno de las variables explicativas endógenas.

Contraste de endogeneidad (contraste de Hausman)
En la práctica, existen muchas situaciones en las que no sabemos si

una variable explicativa es o no endógena. Por ello se han propuesto
contrastes de endogeneidad.
En el contexto del modelo
Y = β0 + β1 X + ε
podemos considerar las hipótesis alternativas:
H0 : C (X , ε) = 0 (exogeneidad)
H1 : C (X , ε) 6= 0 (endogeneidad)
¿Cómo puedo realizar el contraste de la hipótesis nula de

exogeneidad?
Supongamos que disponemos de un instrumento válido Z
(de manera que C (Z , ε) = 0 y C (Z , X ) 6= 0)
Entonces, a partir de la forma reducida
X = π0 + π1 Z + v ,
es fácil obtener que
C (X , ε ) = C ( π 0 + π 1 Z + v , ε ) = C (v , ε ) )
C (X , ε ) = 0 , C (v , ε ) = 0
Por tanto, si H0 : C (X , ε) = 0 es cierta, el coe…ciente α en la

regresión:
ε = αv + ξ
veri…ca que α = 0, o de manera equivalente el coe…ciente α en la
regresión,
Y = β0 + β1 X + αv + ξ (4)
veri…ca que α = 0.
Por tanto, si pudiera estimar (4) podría contrastar H0 : α = 0, que es

equivalente a H0 : C (X , ε) = 0.
En la práctica, como v no es observable, se sustituye por el residuo de
MCO vb de la forma reducida, lo que no tiene consecuencias.
Por tanto, el modelo
v + ξ0
Y = β0 + β1 X + αb (5)
con vb = X (πb0 + π
b 1 Z ) (residuo MCO de la forma reducida), se
estima por MCO.
La hipótesis nula es que X es exógena, es decir: H0 : α = 0.
Por tanto, si rechazamos que α es cero en el modelo (5),
concluiremos que X es endógena.

Generalización:
El contraste de Hausman para el caso de r variables potencialmente
endógenas consistiría en:
estimar las r formas reducidas correspondientes para cada una de
dichas variables,
obtener los residuos de cada forma reducida,
incluir como r regresores adicionales cada uno de estos residuos en el
modelo de interés,
y contrastar la signi…cación conjunta de dichos residuos mediante el
estadístico W 0 :
SRR SRS
W0 = n e χ2r
SRS

donde
SRR es la suma de los cuadrados de los residuos del modelo original sin
los residuos de las formas reducidas,
SRS es la suma de los cuadrados de los residuos del modelo ampliado
que incluye los residuos de cada una de las formas reducidas como
regresores adicionales con dichos residuos
r es el número de variables potencialmente endógenas.
Si se concluye que los residuos de las formas reducidas son
conjuntamente signi…cativos,
ello indica que al menos una de las variables explicativas
potencialmente endógenas lo es en realidad.

Ejemplo
Como ilustración, supongamos que tenemos el modelo
Y = β0 + β1 X1 + β2 X2 + β3 X3 + ε
donde X1 y X2 son potencialmente endógenas, y X3 es exógena.

Necesitaremos, al menos, dos instrumentos Z1 y Z2 tales que
C (Z1 , ε) = C (Z2 , ε) = 0.
Tendremos dos ecuaciones de forma reducida:
X1 = π 10 + π 11 X3 + δ11 Z1 + δ12 Z2 + v1 ,
X2 = π 20 + π 21 X3 + δ21 Z1 + δ22 Z2 + v2 .

La hipótesis nula de exogeneidad es ahora
H0 : C (X1 , ε) = 0, C (X2 , ε) = 0.
De forma equivalente, podemos usar la regresión ampliada
Y = β0 + β1 X1 + β2 X2 + β3 X3 + α1 vb1 + α2 vb2 + ξ 0 ,
donde vb1 , vb2 son los residuos de las formas reducidas de X1 , X2 ,

respectivamente,
la hipótesis nula se puede escribir como H0 : α1 = α2 = 0.
Para contrastar dicha hipótesis (que se compone de dos restricciones),
deberíamos estimar dicha regresión ampliada y calcular su suma de
cuadrados de los residuos SRS así como el modelo bajo H0
Y = β0 + β1 X1 + β2 X2 + β3 X3 + ε,
y calcular la suma de cuadrados de los residuos SRR para construir el

contraste W 0 , cuya distribución aproximada es una χ22 .
Contraste de restricciones de sobreidenti…cación (contraste
de Sargan)
Si tenemos solamente una variable instrumental para cada variable
explicativa endógena, decimos que el modelo está “exactamente
identi…cado”.
en ese caso, no podemos contrastar la condición de no correlación de
los instrumentos con el error.
PERO si tenemos más variables instrumentales que variables
explicativas potencialmente endógenas, decimos que el modelo está
“sobreidenti…cado”.
en ese caso, podemos contrastar si alguna de ellas no está
correlacionada con el término de error.
Supongamos que tenemos r variables explicativas potencialmente
endógenas y q instrumentos, donde q > r
(q r ) es el número de restricciones de sobreidenti…cación (número de
instrumentos “extra”).
de Sargan)
No observamos los errores de la ecuación de interés u

Pero podemos implementar un contraste basado en los residuos
MC2E, ue (análogos muestrales de u).
Procedimiento del contraste:
Estimar la ecuación de interés por MC2E y obtener los residuos MC2E,
e.
u
Regresar ue sobre todas las variable exógenas del modelo y sobre todos
los instrumentos. Obtener el R 2 de dicha regresión, Rue2 .
Bajo la hipótesis nula de que ninguna de las VI está correlacionada con
e, tenemos que
u
nRue2 e χ2q r ,

de Sargan)
Intuición del contraste: los valores ajustados de esta regresión
b
ei , tienen media cero y varianza σ2ue . Bajo homocedasticidad
auxiliar, u
condicional,
. asintóticamente,
2
∑i uei σ2ue
b Suma de N (0, 1) al cuadrado, de las cuales
solamente (q r ) son independientes.
Por tanto, dicha expresión se distribuye asintóticamente como una
χ2q r .
En la práctica, sustituiremos σ2ue por un estimador consistente
1
sue2 = ∑i u ei2 ,
n
Por tanto, nuestro estadístico será
2
∑ ubei
2
b
ei
u
∑1 n i 2 =n Rue2 .
i
∑ e2
u
i i
∑i uei
n
de Sargan)
Si nRue2 excede el valor crítico de la distribución χ2q r al nivel de

signi…cación pre…jado, rechazaremos la hipótesis nula a dicho nivel de
signi…cación y concluiremos que al menos alguna de las VI no es
exógena.
Otra cosa es que este contraste no establece qué variable es la
responsable de rechazar la hipótesis nula de no correlación.
(No obstante, en la medida en que q r sea grande, podríamos
aplicar el proceso secuencialmente para averiguar qué instrumentos
son responsables del rechazo).
Este contraste también se conoce como contraste de Hansen-Sargan.

Ejemplo: ecuación de salarios
Sea la ecuación:
ln(salario) = β0 + β1 educ + β2 cap + ε
donde β2 6= 0 (es decir, la variable cap, capacidad, que es

inobservable, es una variable relevante).
Si estimamos por MCO:
ln(salario) = γ0 + γ1 educ + u
con u = β2 cap + ε
)γ b 1 será un estimador inconsistente de β1 .
Si disponemos de una variable instrumental para educ podremos
estimar por VI.

¿Qué condiciones debe cumplir el instrumento para que nuestro

estimador de VI sea consistente?
C (Z , u ) = 0: No estar correlacionado con la capacidad u otros
inobservables que afecten al salario.
C (Z ,educ) 6= 0: Estar correlacionado con la educación.
Algunos ejemplos de posibles instrumentos (Z ) para educ: Educación
de la madre, educación del padre, número de hermanos, distancia al
colegio, etc.
Disponemos de una muestra de 336 mujeres casadas.

Estimación MCO
Los resultados de la estimación MCO son:
ln(\
salario) = 0.286 + 0.083 educ
(0.120) (0.009)
La interpretación es que un año adicional de edcuación incrementa el

salario en promedio en un 8.3%.

Estimación por VI (un único instrumento)
Posible Instrumento: Educación del padre (educp)

Forma reducida:
[
educ = 9.799 + 0.282 educp
(0.198) (0.021)
R 2 = 0.196
El estadístico t para el instrumento en esta forma reducida es
t = 0.282/0.021 ' 13.52,
es decir, se rechaza H0 : π 1 = 0.
Por tanto, la educación de la mujer (educ) está signi…cativamente
correlacionada con la educación del padre (educp).

Estimación de VI:
ln(\
salario) = 0.363 + 0.076 educ
(0.289) (0.023)
Al comparar la estimación MCO con la de VI, sugiere que la

estimación MCO es demasiado elevada y está en consonancia con un
sesgo positivo del estimador MCO al omitir la capacidad.
Nótese que los errores estándar de la estimación VI son
sustancialmente mayores que los de la estimación MCO, tal y como
sugiere la teoría (aunque en todo caso la educación sigue siendo
claramente signi…cativa).

Contraste de Hausman
A partir de la forma reducida, generamos la variable vb como el residuo
de dicha ecuación estimada:
vb = educ (9.799 + 0.282 educp ),
y realizamos la regresión por MCO del modelo
ln(salario) = β0 + β1 educ + αb
v + e,
obteniendo:
ln(\
salario) = b
β0 + b
β1 educ + 0.007 vb + b
e
(0.024)
Contrastamos H0 : α = 0 (educ es exógena).

t = 0.007/0.024 ' 0.3.
) No se rechaza la exogeneidad de educ.
Estimación por VI (varios instrumentos)
Supongamos que, además de la educación del padre educp

disponemos de la educación de la madre educm como instrumento.
Ahora, la forma reducida sería
[ = 8.976 + 0.183 educp + 0.183 educm
educ
(0.226) (0.025) (0.026)
R 2 = 0.245
El estadístico para el contraste de signi…cación conjunta de educp y
educm en esta forma reducida es W 0 ' 243.3, que se distribuye
aproximadamente como una χ22 .
La estimación de MC2E utilizando educp y educm como
instrumentos es ahora
ln(\
salario) = 0.396 + 0.074 educ
(0.272) (0.022)

Estimación por VI (varios instrumentos)
Para implementar ahora el contraste de Hausman, tomamos el residuo

b
υ de la forma reducida
b
υ = educ (8.976 + 0.183 educp + 0.183 educm),
y realizamos la regresión por MCO del modelo
ln(salario) = β0 + β1 educ + αb
υ + e,
obteniendo:
ln(\
salario) = b
β0 + b
β1 educ + 0.0107 b
υ+b
e
(0.022)
Contrastamos H0 : α = 0 (educ es exógena).
t = 0.0107/0.022 ' 0.5.
) No se rechaza la exogeneidad de educ.
Contraste de Sargan
Continuando con el último caso, teníamos dos instrumentos (educp y

educm) para una variable potencialmente endógena (educ), con lo
que tenemos q r = 1 restricción de sobreidenti…cación.
Podemos por tanto evaluar parcialmente la validez de los
instrumentos (es decir, la hipótesis nula de exogeneidad) contrastando
la no correlación de los instrumentos con el término de error de la
ecuación de interés utilizando un contraste de Sargan.

Contraste de Sargan
Para ello, calculamos los residuos de la estimación MC2E
e = ln(salario)
u (0.396 + 0.074 educ)
y realizamos la regresión auxiliar de dichos residuos tanto sobre:

las variables exógenas que haya y
sobre los instrumentos utilizados,
b
e=
u 0.0054 + 0.0020 educp - 0.0025 educm
(0.0703) (0.0075) (0.0081)
R 2 = 0.0003

Contraste de Sargan
Por tanto, el estadístico de contraste es igual a
nRue2 = 0.1008,
que tiene un valor muy bajo para una distribución aproximada χ21 , con
lo que no rechazamos la hipótesis nula de no correlación de los
instrumentos con el término de error del modelo.
En consecuencia, no hay evidencia en contra de la validez de los
instrumentos.

Consideraciones …nales
En la práctica, en muchas situaciones es difícil encontrar

instrumentos válidos, es decir, variables no incluidas en la ecuación
de interés que, estando muy correlacionadas con las variables
explicativas potencialmente endógenas, no estén correlacionadas con
el término de error de la ecuación de interés.
El problema es que en el contexto de variables económicas, la
mayoría de las variables disponibles son resultado de las
decisiones de los agentes, y por tanto su exogeneidad es muy
cuestionable.

Idealmente, nos gustaría poder contar como variables instrumentales

con variables cuyas realizaciones vinieran dadas a los agentes
económicos objeto de estudio (y fueran por tanto exógenas).
Hemos visto como ejemplo el precio de los cigarrillos como
instrumento para el número de cajetillas de tabaco consumidas.
El problema es que, en muchos contextos (como el de dicho ejemplo),

la calidad del instrumento se ve mermada por la débil correlación
con la variable explicativa endógena que se desea instrumentar.

EJEMPLO: La existencia de información pasada de las variables de

interés abre posibilidades para encontrar instrumentos adicionales.
Así, variables explicativas endógenas podrían instrumentarse mediante
los valores que dichas variables tomaron en períodos pasados (dado
que los valores pasados de dichas variables están dadas antes de que
se realicen los valores corrientes).
Por ejemplo, en el contexto de una ecuación de consumo y renta
permanente (inobservable) en el que se utiliza en lugar de ésta la renta
disponible, lo que induce un problema de endogeneidad por error de
medida, si se dispone de la renta disponible del año anterior podría
emplearse como instrumento.
Si se analiza dicha relación con datos agregados de series temporales,
se podría usar la renta disponible desfasada como instrumento.
Si se analiza dicha relación con datos de familias y se dispone de datos
longitudinales (datos de panel), la renta disponible desfasada de cada
familia podría emplearse como instrumento.

Tema 6 Slides

Cargado por

Copyright:

Formatos disponibles

Tema 6 Slides

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 6 Slides

Cargado por

Copyright:

Formatos disponibles

ECONOMETRIA

Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS

César Alonso (UC3M) ECONOMETRIA. Tema 6 1 / 70

Dado el modelo de regresión lineal:

decimos que tenemos variables explicativas exógenas.

César Alonso (UC3M) ECONOMETRIA. Tema 6 2 / 70

La existencia de variables explicativas endógenas invalida los

César Alonso (UC3M) ECONOMETRIA. Tema 6 3 / 70

Ejemplo 2: Omisión de variables explicativas

César Alonso (UC3M) ECONOMETRIA. Tema 6 5 / 70

log(salario ) = β0 + β1 educ + β2 cap + e.

Como la capacidad cap es no observable, nos quedaríamos con el

donde el término de error u contiene cap. Si estimamos por MCO,

César Alonso (UC3M) ECONOMETRIA. Tema 6 7 / 70

Y2 = α3 Y1 +α4 X2 +α5 X3 +u2 (Oferta)

Las variables endógenas Y1 = cantidad, Y2 = precio, se determinan

Ejemplo 3b: Función de producción

César Alonso (UC3M) ECONOMETRIA. Tema 6 9 / 70

El método de Variables Instrumentales (VI) permite obtener

César Alonso (UC3M) ECONOMETRIA. Tema 6 10 / 70

En general, tenemos que dado el modelo:

donde C (X , ε) 6= 0 ) Los parámetros de interés β0 y β1 NO

necesitamos información adicional (en forma de variables

Supongamos que disponemos de una variable Z (denominada Variable

César Alonso (UC3M) ECONOMETRIA. Tema 6 12 / 70

Empleando Z como instrumento, podremos obtener estimadores

lo que, dado (a), implica que en la población se veri…ca que:

César Alonso (UC3M) ECONOMETRIA. Tema 6 13 / 70

Suponiendo que disponemos de una muestra aleatoria de la población

César Alonso (UC3M) ECONOMETRIA. Tema 6 14 / 70

Siempre que se cumplan (a) y (b), el estimador de VI será un

César Alonso (UC3M) ECONOMETRIA. Tema 6 15 / 70

Toda variable instrumental o instrumento debe cumplir las dos

César Alonso (UC3M) ECONOMETRIA. Tema 6 16 / 70

La condición (b) de que C (Z , X ) 6= 0 sí puede contrastarse en la

estimarla por MCO y contrastar:

Nota: Si Z = X , obtenemos la estimación de MCO.

César Alonso (UC3M) ECONOMETRIA. Tema 6 17 / 70

En general, el estimador de VI tendrá una varianza mayor que el de

César Alonso (UC3M) ECONOMETRIA. Tema 6 18 / 70

Recordemos que la varianza estimada del estimador MCO de β1 , b

siendo bεi el residuo de la estimación de MCO.

César Alonso (UC3M) ECONOMETRIA. Tema 6 19 / 70

Por tanto, si X es exógena, realizar la estimación por VI en vez de

PERO si X es endógena, la comparación entre el estimador MCO y

César Alonso (UC3M) ECONOMETRIA. Tema 6 21 / 70

Consideremos el modelo simple

Suponiendo homocedasticidad condicional:

se puede demostrar que

César Alonso (UC3M) ECONOMETRIA. Tema 6 22 / 70

donde seβ es el error estándar del estimador de variables

La mayor parte de los programas econométricos calculan el R 2 con la

donde eεi son los residuos de VI.

César Alonso (UC3M) ECONOMETRIA. Tema 6 24 / 70

Si nuestro objetivo fuese maximizar el R 2 , siempre utilizaríamos MCO.

César Alonso (UC3M) ECONOMETRIA. Tema 6 25 / 70

El estimador de VI es consistente si (a) C (Z , ε) = 0, (b)

César Alonso (UC3M) ECONOMETRIA. Tema 6 26 / 70

Expresado en términos de las correlaciones y desviaciones estándar