Microeconometría

José Miguel Benavente H.*

22 de diciembre de 2003

Capitulo 1: Modelos de Elección Discreta 4

1.1 Estimación por Máxima Verosimilitud ———— 5

1.2 Medidas condicionales del término de error
en un Modelo de Variable Latente ———— 7
1.3 Propiedades Asintóticas del estimador ML
para los Modelos Logit y Probit ———— 9
1.4 Algunas Propiedades de la densidades
regulares y verosimilitudes ———— 11
1.5 Violaciones de regularidad y propiedades ———— 15
1.6 Comparación entre modelos Probit y Logit ———— 15
1.7 Efectos Marginales ———— 18
1.8 Test de Diagnóstico para el Modelo Probit ———— 22
1.9 Probit Heterocedástico ———— 28

Capítulo 2: Econometría Semi y No Paramétrica 30

2.1 Introducción ———— 30

2.2 Estimación de densidades ———— 30
2.3 Estimación de Momentos Condicionales ———— 50
2.4 Estimación Semiparamétrica de Modelos con
Variable de elección discreta ———— 61

Capítulo 3: Extensiones del Modelo Básico 67

3.1 Análisis de Datos Grupales ———— 67

3.2 Modelos con más de una elección ———— 71

*
Departamento de Economía. Universidad de Chile. e-mail : jbenaven@econ.uchile.cl. Quisiera
agradecer la eficiente ayuda de Javiera Vásquez en la transcripción de estos apuntes.
Capitulo 4: Tópicos Especiales con Variable
Dependiente Binaria 91

4.1 Análisis Discriminante ———— 91

4.2 Datos de Panel con Variable Discreta Binaria ———— 94

Capítulo 5: Variable Dependiente Limitada 99

5.1 Introducción ———— 99

5.2 Algunas Propiedades de la distribución Normal ———— 99
5.3 Truncamiento ———— 100
5.4 Datos Censurados ———— 105
5.5 Modelos para Sesgo de Selección ———— 119

Capítulo 6: Modelos de Duración 135

6.1 Datos de Duración Discreta ———— 135

6.2 Datos de Duración Continua ———— 136
6.3 Estimación No Paramétrica de la Distribución ———— 137
6.4 Modelos Paramétricos ———— 139
6.5 Estimación ———— 141
6.6 Impacto de Factores Explicativos ———— 142
6.7 Heterogeneidad Omitida y Modelos Mixtos ———— 146

Capítulo 7: Datos de Panel 150

7.1 Introducción ———— 150

7.2 Un Modelo Lineal General para Datos de Panel ———— 154
7.3 One Way Error Component Model ———— 155
7.4 Two Way Error Component Model ———— 161
7.5 Extensiones ———— 164

Capítulo 8: Datos de Panel Dinámicos 165

8.1 Introducción ———— 165

8.2 El estimador de OLS, WG y IV ———— 165
8.3 Usando GMM en la Estimación de Paneles Dinámicos ———— 168
8.4 Algunos Test de Especificación ———— 171
8.5 El caso de Instrumentos Débiles ———— 173
8.6 GMM de Sistemas ———— 176
8.7 Análisis Multivariado ———— 177
8.8 El estudio de Kiviet ———— 179
Capítulo 9: Métodos de Evaluación para Datos
No Experimentales 182

9.1 Criterios para escoger una forma u otra ———— 183

9.2 ¿Qué se desea medir?
9.3 Datos Experimentales ———— 186
9.4 Datos No Experimentales ———— 186
1. Modelos de Elección Discreta
En muchos contextos, el fenómeno que se quiere modelar no es continuo sino discre-
to. Así por ejemplo,la decisión de participar en el mercado del trabajo, opinión sobre
un tipo de legislación, tipo de auto escogido por el consumidor entre vario modelos
posibles. En general, todos los modelos que estudiaremos en este contexto tienen en
común que en ellos la variable dependiente toma los valores 0, 1, 2 ....En ocasiones
estos valores tendrán significado en si mismo como el numeros de patentes a los que
denominaremos datos de recuento. Pero en la mayoría de los casos los valores que toma
la variable dependiente no son mas que códigos utilizados para representar un resultado
cualitativo. Por ejemplo, en el caso de la participación de mercado, un 0 puede significar
“no participar” y un 1 puede significar “si participar”.

Aparentemente, en ninguno de estos casos parece posible, en principio, utilizar el

análisis de regresión clásico. Si embargo, en todos ellos es posible construir modelos que
enlazan la decisión o resultado con un conjunto de factores bajo la misma filosofía que
en el modelo de regresión. Lo que haremos será analizar cada uno de estos casos dentro
del marco general de los modelos de probabilidad.

Resulta conveniente agrupar los modelos posibles en dos grandes clases, binomial y
multinomial, dependiendo de si el resultado es la elección entre dos alternativas o entre
más. Si bien el segundo tipo es una extensión del primero, se pueden distinguir en estos
últimos situaciones donde los resultados son no ordenados, como el caso de la elección
del auto o bien ordenados como el caso de las patentes.

En lo que sigue nos concentraremos en las diversas formas de estimar un modelo de

elección binaria para luego continuar con casos de elección múltiples.

Supuesto básico:

latent variable threshold model

yi∗ = x0i β + εi

con: ½
1 si yi∗ > 0;
yi =
0 si yi∗ ≤ 0
Luego,
0 0
P [yi = 1]=P [xi β + εi > 0] = F (xi β)

4
 Modelos Alternativos para F(·):

Probit:
Z z
1
Φ(z) = √ · exp(−u2 /2)du
2π −∞

Logit:
1
Λ(z) =
1 + e−z

1.1. Estimación por Máxima Verosimilitud

n
Y 0 0
L= F (xi β)yi [1 − F (xi β)]1−yi
i=1

Tomando logaritmo a la expresión anterior:

n n
X o
0 0
logL = yi · logF (xi β) + (1 − yi ) · log[1 − F (xi β)]
i=1

Maximizando con respecto a beta obtenemos la función "score":

n ½ ¾
∂logL X yi · fi (1 − yi ) · fi
= − · xi
∂β Fi 1 − Fi |{z}
i=1 | {z } vector
escalar

0 0
con Fi = F (xi β) y fi = f (xi β); donde f es la densidad correspondiente a F.
Entonces:

n
∂logL X yi − Fi
= · fi · xi
∂β Fi (1 − Fi )
i=1

y así, el estimador ML βb es aquel que resuelve las ecuaciones de verosimilitud:

n
X yi − Fi
· fi · xi = 0
Fi (1 − Fi )
i=1

5
(1) Modelo Logit: Si se tiene que en el modelo logit:
1
Λ(z) =
1 + e−z
entonces al derivar se puede obtener la siguiente expresión :

f (z) = Λ(z)[1 − Λ(z)]

Demostración :

F (z) = Λ(z) = (1 + e−z )−1

dΛ(z)
= −1(1 + e−1 )−2 (−1 · e−z ) = Λ(z)[1 − Λ(z)]
dz

Y en consecuencia las ecuaciones de verosimilitud son:

n
∂logL X
= (yi − Λi ) · xi
∂β
i=1
0
donde Λi = Λ(xi β).

La matriz de segundas derivadas (Hessiano) es la siguiente: (permite ver la velocidad

con que se acerca al máximo)
X n
∂ 2 logL
H= 0 = − Λi (1 − Λi ) ·xi x0i
∂β∂β | {z }
i=1
escalar

Demostración:
n
X
∂logL yi − Fi
= · fi · xi
∂β Fi (1 − Fi )
i=1
n
X yi − Λi
= · Λi (1 − Λi ) · xi
Λi (1 − Λi )
i=1
n
X
= (yi − Λi ) · xi
i=1
n
X
∂ 2 logL ∂Λi
= −xi
∂β∂β 0 ∂β
i=1
n
X
= − Λi (1 − Λi ) · xi x0i
i=1

6
 La que es definida negativa para todos los β, asumiendo que los x’s no son perfec-
tamente colineales ( si lo fueran H no es invertible, explota). Así, la log-likelihood es
globalmente cóncava. La esperanza de H es ella misma y no depende de y, por lo tanto
la matriz de información muestral es:

n
X
Jn(β) = Λi (1 − Λi ) · xi x0i
i=1

(2) Modelo Probit (Normit):

n
∂logL X yi − Φi
= · φi · xi = 0
∂β Φi (1 − Φi )
i=1

donde Φi = Φ(x0i β)), φi = φ(x0i ) con φ la densidad de la normal standard. También se

puede escribir como:

∂logL X −φi X φi
= · xi + · xi
∂β 1 − Φi Φi
yi =0 yi =1

1.2. Medidas condicionales del término de error en un modelo de

variable latente

0
E(εi |yi = 1) = E(εi |xi β + εi > 0)
0
φ(xi β)
= 0
Φ(xi β)

y por otra parte:

0
E(εi |yi = 0) = E(εi |xi β + εi 6 0)
0
−φ(xi β)
= 0
1 − Φ(xi β)

7
 Si z v N(0,1):

Figura 1
Distribución Normal(0,1)

densidad:
1
φ(z) = √ · exp(−1/2z 2 )
2π
Medias Condicionales:
Z k
1
E(z|z < k) = · z · φ(z)dz
P (z < k) −∞
Z k
1 1
= · z · √ · exp(−1/2z 2 )dz
Φ(k) −∞ 2π
· ¸k
1 1 2
= − √ · exp(−1/2z )
Φ(k) 2π −∞
φ(k)
=
Φ(k)

8
De la misma manera:
Z +∞
1
E(z|z > k) = · z · φ(z)dz
1 − Φ(k) k
Z +∞
1 1
= · z · √ · exp(−1/2z 2 )dz
1 − Φ(k) k 2π
· ¸+∞
1 1
= − √ · exp(−1/2z 2 )
1 − Φ(k) 2π k
φ(k)
=
1 − Φ(k)
Así, las ecuaciones de verosimilitud, en el caso de un modelo Probit, se pueden escribir
de la siguiente forma:
n
X
E(εi |yi ) · xi = 0
i=1
| {z }

condición de ortogonalidad

La matriz Hessiana correspondiente es la siguiente:

∂ 2 logL X −φi X −φi

0
= 2
[φi − xi0 β(1 − Φi )] · xi x0i + 0 0
2 [φi + xi βΦi ] · xi xi
∂β∂β (1 − Φi ) Φ i
y =0
i y =1 i

Dadas las expresiones para las medias condicionales, los valores entre paréntesis
cuadrados son positivos y entonces la matriz Hessiana correspondiente es negativa defini-
da, es decir, la log-likelihood es globalmente cóncava.
Tomando esperanzas, la matriz de información muestral para el modelo Probit es la
siguiente:

n
X φ2i
Jn(β) = · xi x0i
Φi (1 − Φi )
i=1

1.3. Propiedades Asintóticas del estimador ML para los modelos Logit

y Probit
Bajo “condiciones de regularidad generales”, el estimador ML es consistente y asin-
tóticamente normal con una matriz de varianzas y covarianzas dada por el inverso de
la matriz de información. Esta inversa es la cota inferior de Cramer-Rao y entonces, el
estimador ML es también asintóticamente eficiente.

9
La varianza del vector Score:

Para ambos modelos el Score tiene la siguiente forma:

n
∂logL X yi − Fi
= · fi · xi
∂β Fi (1 − Fi )
i=1

Donde Fi = F (x0i β) y fi = f (x0i β). Así, la varianza viene dada por:

µ ¶µ ¶0 n µ
X ¶2
∂logL ∂logL yi − Fi
E = E · fi2 · xi x0i
∂β ∂β Fi (1 − Fi )
i=1
n
X fi2
= · xi x0i
Fi (1 − Fi )
i=1

Dado que la Var(yi )=Fi (1 − Fi ).

Demostración:

V ar(yi ) = E(yi − Fi )2 = E(yi2 − 2Fi yi + Fi2 )

Dado que: E(yi ) = Fi

V ar(yi ) = E(yi ) − Fi2 = Fi (1 − Fi )

Notar que esta última expresión es la misma que la matriz de información muestral
derivada para cada uno de los modelos anteriores.

Nota : Máximo Global: Aproximación de Taylor de logL(β) alrededor de βbM LE

¯ ¯
b ∂logL ¯¯ b b
2 ¯
0 ∂ logL ¯ b
logL(β) = logL(β) + ¯ (β − β) + 0,5(β − β) (β − β)
0
∂β βb ∂β∂β ¯βb
0
| {z } | {z }
=0 <0

b
logL(β) < logL(β)

10
1.4. Algunas Propiedades de las densidades regulares y verosimili-
tudes
Considere una muestra aleatoria obtenida de una función de densidad g(y:θ), la que
depende del parámetro θ (extendible al caso de un vector). El logaritmo de la función
de verosimilitud viene dado por:
n
X
logL = log(g(yi ; θ))
i=1

La densidad g es Regular de primer orden si la diferenciación con respecto a θ y la

integración sobre y puede ser llevada a cabo en ambos sentidos con un mismo resultado.
(es decir, la integral de la derivada es igual a la derivada de la integral).
Z Z
d d
g(y; θ)dy = g(y; θ)dy
dθ y y dθ

La densidad es Regular de segundo orden si lo mismo se cumple para la segunda

derivada.
Si θ es un vector las condiciones anteriores deben cumplirse para todas las derivadas
con respecto a cada uno de los elementos de θ.

Propiedades:

1.
Z +∞
g(y; θ)dy = 1
−∞

Así, si g es regular de primer orden, entonces:

Z +∞
g 0 (y; θ)dy = 0
−∞

y entonces:

· ¸
g 0 (y; θ)
E =0
g(y; θ)

es decir,

· ¸
∂log(g(y; θ))
E =0
∂θ

11
 y entonces

· ¸
∂logL
E = 0 score
∂θ

2. Ahora consideremos la segunda derivada del logaritmo de g:

· 0 ¸
∂ 2 log(g(y; θ)) g 00 (y; θ) g (y; θ) 2
= −
∂θ2 g(y; θ) g(y; θ)

Si g es regular de segundo orden, entonces:

Z +∞
g 00 (y; θ) · dy = 0
−∞

es decir,

· ¸
g 00 (y; θ)
E =0
g(y; θ)

y así,

· ¸ · ¸
∂ 2 log(g(y; θ)) g 0 (y; θ) 2
E = −E
∂θ2 g(y; θ)
· ¸
∂log(g(y; θ)) 2
= −E
∂θ

3.
· ¸2 " n #2 n · ¸
∂logL X ∂log(g(yi ; θ)) X ∂log(g(yi ; θ)) 2
E =E =E
∂θ ∂θ ∂θ
i=1 i=1

Ya que el valor esperado de todos los términos cruzados (fuera de la diagonal) son
cero. Ello debido al supuesto de independencia de las observaciones y el hecho de
que:

· ¸
∂log(g(y; θ))
E =0
∂θ

12
 Así entonces:

· ¸ · ¸
∂ 2 logL ∂logL 2
E = −E
∂θ2 ∂θ

Para el caso en que θ es vector:

· ¸ µ ¶µ ¶
∂ 2 logL ∂logL ∂logL 0
E = −E
∂θ2 ∂θ ∂θ

4. Sumando sobre las observaciones el vector equivalente al de la propiedad (2) es:

· ¸
∂ 2 logL
Jn(θ) = E − = E(Q)
∂θ∂θ0

Donde:

n µ
X ¶µ ¶
∂log(g(yi ; θ)) ∂log(g(yi ; θ)) 0
Q=
∂θ ∂θ
i=1

Generalmente es más útil usar Q en vez de E(Q) para muestras grandes.

Nota Técnica: Estimación de la varianza asintótica del estimador ML:

Si la forma del valor esperado de la segunda(s) derivada(s) de la log-likelihood es cono-

cida, entonces:
½ · 2 ¸¾−1
∂ logL
[Jn(θ)]−1 = −E
∂θ∂θ0

Evaluada en θbM L entrega un estimador de la matriz de covarianzas del MLE. Sin em-
bargo, este estimador rara vez esta disponible dado que son complicadas funciones no
lineales de los datos. Existen dos alternativas:
1.
h i−1 µ ∂ 2 logL ¶−1
c b
Jn(θ) = −
∂θ∂θ0

13
 La que se obtiene al evaluar la matriz de segundas derivadas actual (no esperada)
con el valor de MLE máximo obtenido. No obstante, a veces es difícil obtener las
segundas derivadas y programarlas en el computador.

2.
" n µ #
h i−1 X ∂log(g(yi ; θ)) ¶ µ ∂log(g(yi ; θ)) ¶0
Jn( b
c θ) =
∂θ ∂θ
i=1

el que esta basado en el resultado de que el valor esperado de la matriz de segun-

das derivadas es la matriz de covarianzas del vector de primeras derivadas.

[BHHH ó OPG (outer product of gradients)]

Este último estimador es muy conveniente pues no se necesita ningún cálculo más allá
que estimar ecuación de verosimilitud. Además es siempre no negativa definida.
Tabla 1. Observaciones de Ingreso y Educación.
Observación Ingreso Educación Observación Ingreso Educación
1 20.5 12 11 55.8 16
2 31.5 16 12 25.2 20
3 47.7 18 13 29.0 12
4 26.2 16 14 85.5 16
5 44.0 12 15 15.1 10
6 8.28 12 16 28.5 18
7 30.8 16 17 21.4 16
8 17.2 12 18 17.7 20
9 19.9 10 19 6.42 12
10 9.96 12 20 84.9 16

Los datos fueron generados por la siguiente función:

1
f (yi , xi , β) = exp(−yi /(β + xi ))
β + xi
Donde y=Ingreso [miles de pesos] y x=Educación [años].
n
X n
X yi
logL = − log(β + xi ) −
β + xi
i=1 i=1

Score:
X 1 X n n
∂logL yi
=− + =0
∂β β + xi (β + xi )2
i=1 i=1

Con la solución (única) βbM LE =15.60275.

Para Computar la varianza asintótica del estimador MLE, se requiere:

n n
∂ 2 logL X 1 X yi
2
= 2
− 2 · (1)
∂β (β + xi ) (β + xi )3
i=1 i=1

14
Dado que E(yi )=β+xi es conocido, la forma exacta del valor esperado de (1) es conocida
(algo no común). Reemplazamos β + xi por yi e invirtiendo obtenemos 44.255 como
b
estimador de la varianza. Al insertar β=15.60275 e invirtiendo obtenemos el segundo
estimador de la varianza: 46.164. Finalmente, al computar el inverso de la suma de los
cuadrados de la primera derivada de la densidad evaluada en βbM LE :
· ¸−1
\ b 1
Jn(β) =P h i2
n −1 yi
i=1 b + b 2
(β+xi ) (β+xi )

Se obtiene un BHHH de 100.512.

Los tres estimadores son asintóticamente equivalentes, pero BHHH es mucho más fácil
de obtener. Pero cuidado con los valores en muestras finitas:

Ho: β=0 sería rechazada solo con los estimadores de la varianza.

1.5. Violaciones de regularidad y propiedades

i. Discontinuidades de L
ii. Observaciones están correlacionadas
iii. Observaciones no están distribuidas idénticamente
iv. La densidad escogida no contiene la verdadera densidad
v. densidad g tiene un rango que depende de θ
vi. número de parámetros aumenta con el número de observaciones.

1.6. Comparación entre modelos Probit y Logit

La mayoría de los textos sugiere que un análisis detallado acerca de la elección
entre un modelo u otro, no rinde muchos frutos.
modelos predicen en forma similar; estimadores (una vez corregidos para hacerlos
comparables) son estadísticamente indistinguibles.
Si las muestras son muy grandes pueden aparecer diferencias ya que la distribución
logística tiene colas más altas (anchas) que la distribución normal (ver gráficos).
Para que los parámetros entre los modelos sean comparables, se deben realizar
ciertos ajustes:
√
3
βprobit = βlogit ∗
π

βprobit = βlogit ∗ 0,625

15
16
17
1.7. Efectos Marginales
Sabemos que:

P [yi = 1] = F (x0i β)

∂P [yi = 1]
= f (x0i β) · β
∂xi

estos son los llamados efectos marginales:

Probit: φ(x0i β) · β

Logit: Λ(x0i β)[1 − Λ(x0i β)] · β

También se pueden calcular los errores standard de estos efectos marginales. Si defini-
b = fb · βb donde fb = f (x0i β),
mos γ b entonces:

µ ¶ µ ¶0
∂b
γ ∂b
γ
V ar.Asin.(b
γ) = V
b
∂β0 b
∂β0

b
Donde V= Var. Asin. (β).

La matriz de derivadas viene dada por:

µ ¶ Ã ! Ã !µ ¶
∂bγ ∂ b
β ∂ fb ϑz
= f b +β b
∂ βb0 ∂ βb0 ∂z ∂ βb0
à !
∂ fb b 0
= fbI + βb βx
∂z

Para los dos modelos:

Probit: df
dz = −z · φ, con z = x0 βb
b βx
γ )probit = φ2 [I − (x0 β)
V ar.Asin.(b b 0 ]V [I − (x0 β)
b βx
b 0 ]0
df
Logit: dz = (1 − 2Λ)Λ(1 − Λ)

V ar.Asin.(b b − Λ))
γ )logit = (Λ(1 b 2 [I + (1 − 2Λ) b 0 ]V [I + (1 − 2Λ)
b βx b 0 ]0
b βx

18
Al igual que los efectos marginales, los errores standard asintóticos también dependen
del vector de variables x utilizado.

Comentarios sobre las estimación de los efectos marginales

en Modelos Probit y Logit:

Efecto marginal: ¿evaluar en la media o la media de las evaluaciones individ-

uales?.
Según el teorema de Slutsky debería dar lo mismo ( plim g(xn )=g(plim xn )),
pero en la práctica para muestras pequeñas se recomienda calcular los efectos
marginales individuales y luego promediarlos.

Efecto marginal de variables dummies: La forma correcta de estimar el efecto

marginal de una variable independiente binaria, por ejemplo d, sería:

P rob[Y = 1/x∗ , d = 1] − P rob[Y = 1/x∗ , d = 0]

Donde x∗ es la media de todo el resto de las variables independientes. En general,

tomando la derivada con respecto a la variable binaria como si fuera continua en-
trega resultados sorprendentemente certeros. Pero lo anterior solo es válido cuando
se evalúa el efecto marginal para la media del resto de las variables independi-
entes. Podemos analizar el efecto de la variable dummy en toda la distribución al
calcular Prob[Y=1] sobre el rango de x’β para los valores de la variable binaria.

Ejemplo (con un modelo Probit):

GRADE: indicador si los alumnos mejoraron sus notas después de realizar un curso
especial PSI.

GPA: promedio de notas.

TUCE: resultado de una prueba de diagnostico previo al programa.

PSI: indicador si el estudiante realizó el curso o no.

Probit Logit
Variable βbM LE fbβb βbM LE fbβb
constante -7.425 - -13.021 -
GPA 1.626 0.533 2.826 0.534
TUCE 0.052 0.017 0.091 0.018
PSI 1.426 0.469 2.379 0.499
f (x0 β) 0.328 0.189

Usando estos coeficientes, tenemos las siguientes probabilidades como función de GPA
(evaluadas en la media de TUC):

19
PSI=0: Prob[GRADE=1]=Φ[-7.45+1.62GPA+0.052(21.938)]

PSI=1: Prob[GRADE=1]=Φ[-7.45+1.62GPA+0.052(21.938)+1.4263]

Prob(GRADE=1)

con PSI

0.571

sin PSI

0.106

3.117
GPA

El efecto marginal de PSI es la diferencia entre las dos funciones, el que va desde 0.06
en GPA=2 hasta 0.5 en GPA=0.35. Así, la probabilidad de que el estudiante aumente
sus notas dado que siguió PSI es más alta si mejores son sus notas!!. (Efecto marginal
de PSI en x es 0.468).

Cálculo de errores standard en Probit y Logit (repaso):

Efectos marginales:

Probit: φ(x0i β) · β
Logit: Λ(x0i β)[1 − Λ(x0i β)] · β

b = fb · βb donde fb = f (x0i β),

si definimos γ b entonces:
µ ¶ µ ¶
∂b γ ∂b γ 0
V ar.Asin.(bγ) = V
∂ βb0 ∂ βb0
b
Donde V= Var. Asin. (β).

Entonces:

Probit:
b βx
γ )probit = φ2 [I − (x0 β)
V ar.Asin.(b b 0 ]V [I − (x0 β)
b βx
b 0 ]0

20
Logit:

V ar.Asin.(b b − Λ))
γ )logit = (Λ(1 b 2 [I + (1 − 2Λ) b 0 ]V [I + (1 − 2Λ)
b βx b 0 ]0
b βx

Así, se pueden realizar todas las pruebas de hipótesis ya conocida para los parámet-
ros. Por ejemplo, los tradicionales test-t para restricciones simples los que están basados
en los errores estándar calculados a partir de la matriz de información (BHHH u otra).

Logit Probit
Variable Coef. t ratio Pendiente t ratio Coef. t ratio Pendiente t ratio
Constante -13.021 -2.64 - - -7.452 -2.930 - -
(4.931) (2.542)
GPA 2.826 2.238 0.534 2.252 1.626 2.343 0.533 1.761
(1.263) (0.237) (0.694) (0.303)
TUCE 0.095 0.672 0.018 0.685 0.052 0.617 0.017 0.587
(0.142) (0.026) (0.084) (0.029)
PSI 2.379 2.234 0.449 2.284 1.426 2.397 0.468 1.695
(2.234) (0.197) (0.595) (2.276)

En general, para un conjunto de restricciones Rβ=q, el estadístico de prueba es:

n o−1
W = (Rβb − q)0 R(Est.V ar.Asin(β))R
b 0 (Rβb − q)

Para una prueba general sobre un conjunto de coeficientes que sean igual a cero (por
ejemplo: los L últimos) el test de Wald requiere que:

R = [0|IL ] y q=0

con W= βbL0 VL−1 βbL

donde el subíndice L indica el subvector o submatriz correspondiente a las L variables

y V es la matriz de varianzas y covarianzas de βb estimada.

De igual manera el test de razón de verosimilitud puede ser realizado:

b r − log L]
b ∼ χ2r a
LR = −2[log L

donde L br y L
b son las funciones log-likelihood evaluadas con los estimadores restringui-
dos y no restringuidos respectivamente. Por ejemplo, la prueba típica de que todos los
coeficientes de las pendientes en el modelo Probit o Logit son cero (como un test F).
Para esta prueba solo se restringe el coeficiente de la constante. En este caso, el caso no

21
restringuido es el mismo para Logit y Probit:

LogL0 = n[P · logP + (1 − P )log(1 − P )]

donde P es la proporción de variables dependientes igual a 1.

Ejemplo anterior (ver tabla 19.1 Greene): P=11/32 → logL0 =-20.5917, se sabe que
b probit =-12.819 y logL
logL b logit =-12.890, χ2 2 2
probit =15.546 y χlogit =15.404, con χcrit(3) =7.81,
0
por lo tanto se rechaza la hipótesis nula de que todos los β s son igual a cero.

Problemas de estimación en Probit:

(1) Supongamos que tenemos una variable (observada) zi tal que:

½
yi = 1 si zi > 0;
yi = 0 si zi ≤ 0
z se denomina clasificador perfecto. esto implica que el modelo no puede ser estimado
(esta es una propiedad de los datos). Esto ocurre pues existe una combinación lineal
zi = x0i β ∗ de tal forma que zi es un clasificador perfecto y entonces β no puede ser
identificado.

(2) Otro problema de identificación ocurre cuando tenemos una combinación de muestra
pequeña con un gran número de parámetros a ser estimados.

La regla que aplica aquí es la siguiente:

Si min[n·y, n·(1 − y)]<k, entonces no se pueden estimar los β’s. Donde n es el tamaño
de muestra, k es la dimensión de β, n·y es el número de unos y n·(1 − y) es el número
de ceros.

Lo anterior pues no existe una solución finita para las condiciones de primer orden
y por lo tanto β no puede ser identificado.

1.8. Test de Diagnóstico para el modelo Probit (Análogo para logit)

Residuos Generalizados: Para el caso de modelos con variable latente, los residuos
generalizados se definen como:
ηi = E(εi |yi )
= E(yi∗ |yi ) − x0i β
= E(yi∗ |yi ) − E(yi∗ )

22
En el modelo Probit habíamos visto que la media condicional tenia la siguiente estruc-
tura:
φ(x0i β)
E(εi |yi = 1) =
Φ(x0i β)
−φ(x0i β)
E(εi |yi = 0) =
1 − Φ(x0i β)

De esta forma,

φ(x0i β) φ(x0i β)
ηi = · y i − · (1 − yi )
Φ(x0i β) 1 − Φ(x0i β)
(yi − Φi )
= · φi
Φi (1 − Φi )

También vimos que las ecuaciones de verosimilitud (score) podrían escribirse como:
n
∂logL X
= E(εi |yi ) · xi = 0
∂β
i=1

o bien
n
∂logL X
= ηi · x i = 0 (2)
∂β
i=1

donde la ecuación (2) es la condición de ortogonalidad.

La matriz Hessiana en el modelo Probit esta dada por:

∂ 2 logL X −φi X −φi

0 0 0 0
= [φi − x i β(1 − Φi )] · xi x i + 2 [φi + xi βΦi ] · xi xi
∂β∂β 0 (1 − Φi )2 Φ i
y =0
i y =1 i

o bien:
n
X
H=− {ηi (x0i β + ηi )} · xi x0i
i=1

Recordemos que habíamos definido:

µ ¶µ ¶
∂logL ∂logL 0
Q=
∂β ∂β

entonces este estimador puede escribirse como:

n
X
Q= ηi2 xi x0i
i=1

23
 φ2
Notar que E(ηi ) = 0 y V ar(ηi ) = Φi (1−Φ
i
i)
(demostrar !!), ηi se conoce como el “residuo
del primer momento” (ηi es la contribución de cada observación i al score!!).

Pruebas que se pueden realizar con el Score:

(i) Variable Omitida: Supongamos el siguiente Modelo de Variable Latente:

yi∗ = x0i β + zi0 γ + εi

La hipótesis a testear es γ=0. El vector Score con respecto a γ es el siguiente:

n
∂logL X
= ηi · zi
∂γ
i=1

Si usamos Q para estimar la matriz de varianzas, entonces el test puede ser calculado
como:

c0 R(R0 R)−1 R0 c ∼ χ2(p)

Donde p es el número de restricciones, c es un vector de dimensión n de unos y R una

matriz cuyas fila i es: (ηi · x0i , ηi · zi0 ). Este estadístico puede ser obtenido al regresionar c
sobre R. Si se trata de una sola variable omitida, el test t asociado a ηi · zi0 al cuadrado
es el estadístico χ21 .

Alternativamente, se puede regresionar por MCO ηi · zi sobre ηi · xi y una constante (p

regresiones) y calcular el estadístico:

W
1+ W
n

donde W es el estadístico de Wald para la hipótesis que todos los interceptos son cero.
(De nuevo, si p=1, entonces Wald=t2 sobre la constante).

Algunas aplicaciones adicionales de variables omitidas:

Reset-test: es decir, forma funcional correcta.

E(yi ) = Φ[h(x0i β)]

b
aquí zi son potencias de (x0i β)

Endogeneidad: probar correlación entre xi y el error (ortogonalidad).

(ii) Heterocedasticidad: Suponga que bajo la hipótesis alternativa:

yi∗ = x0i β + σ · εi

24
con εi ∼ N(0,1), entonces:
n
∂logL X
= E(ε2i − 1|yi )
∂σ 2
i=1

El término al interior de la sumatoria es el “residuo del segundo momento”. Para el caso

de Probit:
n
∂logL X
= −ηi x0i β
∂σ 2
i=1

Ahora bien, si consideramos un modelo heterocedástico más general:

yi∗ = xi β + σi · εi
¯
2 0 ∂h(zi0 γ) ¯¯
con σi =h(zi γ) con h tal que h(0)=1 y ∂γ ¯ = zi (por ejemplo si h(zi0 γ)=1+zi0 γ).
γ=0

Entonces, bajo la hipótesis nula:

n
∂logL X
= (−ηi · x0i β)zi
∂γ
i=1

De esta forma, el estadístico de prueba puede calcularse como:

c0 R(R0 R)−1 R0 c ∼ χ2(p)

donde, en esta ocasión la i-fila de R es:

(ηi · x0i , ηi (x0i β)zi )

el que puede ser obtenido al regresionar c sobre R. O bien, como mecanismo alternativo,
regresionar ηi (x0i β)zi sobre ηi xi y una constante y testear con Wald.

(iii) Aplicaciones adicionales: Test de Normalidad (Pagan y Vella 1989):

Una forma de probar normalidad de los errores es asumir que zi =[(x0i β)2 (x0i β)3 ] y
probar mediante un Reset-test la significancia de estos términos. (también en Ruud
1984).

Pero, ¿de dónde proviene todo esto?. Respuesta : sobre las restricciones de momentos.

Pruebas sobre restricciones sobre los momentos:

En un modelo de regresión lineal:

yi = x0i β + ui

25
i E(zi ui )=0

ii E(zi (u2i − σ 2 ))=0 restricción sobre el segundo momento.

iii E(u3i )=0 tercer momento, distribución simétrica.

iv E(u4i ) − 3σ 4 =0 cuarto momento/ kurtosis.

Si el modelo está correctamente especificado entonces los momentos poblacionales de-
berían ser igual a cero.

A partir de la información muestral, se pueden obtener los análogos muestrales:

n
1 X
τb1 = · zi · u
bi
n
i=1

1
τb2 = u2i − σ
zi (b b2 )
n

para el caso particular del Probit:

yi = Φ(x0i β) + vi

con vi = yi − E(yi ) el cual tiene media cero y varianza Φi (1 − Φi ) con Φi = Φ(x0i β).

De esta manera:
n
1 X zi · φbi · vbi
τbi =
n b i (1 − Φ
Φ b i)
i=1
Xn
1 zi · φbi · (yi − Φ b i)
=
n b i (1 − Φ
Φ b i)
i=1
Xn
1
= zi · ηbi
n
i=1

De esta forma se construye entonces la prueba sobre los momentos, que en este caso
utiliza los residuos generalizados. En particular, esta última expresión es la covarianza
entre los residuos generalizados y z. Así, al regresionar zi · ηbi sobre xi · ηbi y una constante
es equivalente a un estadístico de prueba sobre la importancia de la variable z(Idéntico
al test de score LM).

26
Consecuencias de la heterocedasticidad y variable omitida en Probit (Logit): incon-
sistencia, a pesar de que no existe correlación en los errores.

Ejemplo de Prueba:

t-statistic
Test Moment Restriction Eligible Ineligible
Omitted E(SAL80∗ η)=0 1.427 1.145
Variables E(DSA79∗ η)=0 1.101 1.365
RESET E(PRED2 η)=0 2.404 2.6
E(PRED3∗ η)=0 2.287 0.525
Heteroskedasticity E(SAL80∗ PRED∗ η)=0 1.364 0.891
E(MOVES∗ PRED∗ H)=0 2.879 7.670
E(RACE∗ PRED∗ η)=0 1.090 1.855
E(LSA79∗ PRED∗ η)=0 1.647 1.349
E(MLE∗ PRED∗ η)=0 1.449 5.869
E(ATBATS∗ PRED∗ η)=0 2.258 1.043
E(ADJS∗ PRED∗ η)=0 2.194 0.083
E(DFN∗ PRED∗ η)=0 1.981 4.626
E(BYR∗ PRED∗ η)=0 2.197 2.595
E(YSRM∗ PRED∗ η)=0 2.541 3.557

Otra Aplicación: Mroz data: participation equation as in applied Econometrics.

Probit
Variable Coeficiente s.e
LWW1 0.240 0.094
KL6 -0.879 0.115
K618 -0.0321 0.0407
WA -0.0345 0.0077
WE 0.132 0.026
UN -0.0107 0.0160
CIT 0.0115 0.1075
PRIN/104 -0.212 0.047
Constant 0.538 0.481

logL=-450.72, Jt. sig.=128.31(χ2(8) )

Diagnostic Test statistic:

Funcional Form: (square term only) χ2(1) =9.42.

Heteroskedasticity: (all RHS variables) χ2(8) =25.44.

Non.normality: χ2(2) =9.48.

27
1.9. Probit Heterocedástico
La idea aquí es incorporar la estructura de la forma funcional esperada o presunta
de la heterocedasticidad en la estimación del modelo. Parecida a la idea de la corrección
de heterocedasticidad en OLS pero ahora en un contexto no lineal utilizando ML.

yi∗ = x0i β + εi εi ∼ N (0, σ 2 ) con σi2 = [exp(zi0 γ)]2

n ½
X µ ¶ µ µ ¶¶¾
x0i β x0i β
logL = yi · logΦ + (1 − yi ) · log 1 − Φ
exp(zi0 γ) exp(zi0 γ)
i=1

con la probabilidad predicha:

µ ¶
x0i β
pi = Φ
exp(zi0 γ)

En general, (no demostrado aquí) los coeficientes obtenidos son un poco mayores y los
intervalos de confianza (errores standard) mas amplios. Aunque algunos resultados em-
píricos sugieren que el sesgo no es importante (ver Horowitz, Econometrica 1977).

Medidas del grado de ajuste:

Si bien en modelos no lineales no se puede aplicar la idea de ajuste en la forma tradi-

cional de verla (i.e. cuanto de la variación total de la variable dependiente es explicada
por la variación de las variables independientes ponderadas por los betas) una forma
sencilla de tener una idea acerca de si las variables escogida como exógenas son rele-
vantes es asumir que todas estas son cero excepto la constante y compararlas con una
especificación en que se incluyan todas las variables relevantes.

Likelihood ratio index:

logL
LRI = 1 −
logL0

con logL0 : verosimilitud calculado solo con una constante (es decir, asumir que todos
los betas son cero).

Propiedades:

Acotado entre 0 y 1

28
si Fi es siempre 1 cuando yi es uno y 0 cuando yi es 0, entonces logL es igual a
cero → LRI=1. (Pero cuidado con los predictores perfectos).

difícil la interpretación para los valores entre 0 y 1, recordar que ML no está

diseñado para maximizar un criterio de ajuste, como el R2 en OLS.

29
2. Econometría Semi y No Paramétrica
2.1. Introducción
Texto Guía: A. Pagan y A. Ullah, “Non Parametric Econometrics”.
Más detalles se pueden encontrar en: A.W. van der Vaart, “Asymptotic Statistics”.

Temas a cubrir:

Estimación de densidades (Pagan y Ullah, Capitulo 2)

• Métodos de Kernel
• Métodos teóricos de información

Estimación de momentos condicionales (Pagan y Ullah, Capitulo 3). Regresión no

paramétrica.

Modelos de elección discreta (Pagan y Ullah, Capitulo 7)

2.2. Estimación de densidades

Una forma de estimar una densidad es la siguiente: tenemos observaciones de i=1,......,n
para zi ={yi , xi } las que son obtenidas (son una realización) de una densidad f (z). La
pregunta que queremos resolver es: ¿cual será una buena estimación de f (z), trabajando
solamente con los zi ’s?

La descomposición de z en y y x, cada una multivariada sugiere que algunas de estas

variables pueden ser consideradas como dependientes (es decir, de x), “ser explicadas”
ó quizás “endógenas”. No obstante, por ahora no haremos prejuicios sobre este asunto.

De forma similar, la poca claridad de la aseveración del primer párrafo no nos dice
nada acerca de si las observaciones son independientes e idénticamente distribuidas. El
relajo de este supuesto de “idéntica” no será una gran barrera a lo que veremos más
adelante, no obstante, el relajo del supuesto de "independencia"es un tema mucho más
complejo.

Si llegamos a tener una buena estimación de f (z), por ejemplo fb(z), entonces muchas
preguntas convencionales de la econometría pueden ser respondidas. Por ejemplo, una
estimación de E(y1 |x1 , x2 ) puede ser derivada a partir de la integración apropiada de
fb(z).

Para hacer las cosas más fáciles comenzaremos con la estimación de la densidad de
una sola variable: x. Veamos las metodológicas alternativas para realizar esta tarea.

30
2.2.1. Estimación de Densidad I: Kernel
Una estimación “naive” de f (x) sería dar un “peso” 1/n a cada punto xi , i=1,...n. La
función de distribución correspondiente a este procedimiento, se conoce como “función
de distribución empírica”. Una debilidad aparente de esta propuesta es que no asigna
probabilidades o valores de la densidad a valores de x que no ocurrieron o que no están
presentes en la muestra, con la agravante que para la mayoría de los casos que estudi-
amos en econometría se asume que f (x) hace un dominio (support) continuo.

Una alternativa natural es la de suavizar el peso 1/n asignado a cada punto xi sobre
un area ’cercana’ a xi . Una forma de hacer esto podría ser estimar f (x) como una com-
binación de densidades normales, cada una con una desviación standard σ centrada en
cada punto x. Usando φ(x; µ, σ 2 ) para denotar la densidad normal estándar con media
µ y varianza σ 2 evaluada en cada x, entonces el estimador de f (x) tendría la siguiente
forma:

n
X n
X · ¸
1 1 1 (x − xi ) 2
fb(x) = 2
φ(x; xi , σ ) = · (2π)−1/2 −
· e 1/2 · (3)
n n σ σ
i=1 i=1

donde, si σ es muy pequeño entonces tendríamos una estimación de la función con pun-
tas agudas en cada xi . Si σ es mas grande, la estimación resultante es mas suave. Dado
que (3) es una mezcla de funciones de densidad, entonces fb(x) también es una densidad.

Para simplificar un poco la notación,

h
podemos
i
ver que la expresión más a la derecha
(x−xi ) 2
−1/2·
de la ecuación (3), (2π)−1/2 · e σ
puede ser reemplazado por:

µ ¶ µ ¶
x − xi x − xi
K o K
σ h

donde σ ha sido reemplazado por h sin alterar las propiedades fundamentales de fb(x),
h i
(x−xi ) 2
−1/2·
ello mientras K(·) comparta ciertas propiedades con ·e (2π)−1/2como ser: σ

simétrica, no-negativa y que la integral sobre x sea igual a 1. También resulta natural
que K(0) ≥ K(x) ∀ x.1 De esta manera la expresión en (3) puede ser reescrita como:

n
X µ ¶
1 x − xi
fb(x) = · K (4)
n·h h
i=1

donde K(·) se denomina la función Kernel.

1
R
La condición de simetría implica que y · K(y)dy = 0, la que usaremos después

31
 Estimador Kernel con un Kernel normal y dos observaciones
para tres ancho de banda: pequeño (izquerda), intermedio
(centro) y largo (derecha)

Estimación Kernel para la densidad de una muestra de tamaño 15 de una

densidad normal estándar para tres diferentes ancho de banda h=0.68
(izquerda), h=1.82 (centro) y h=4.5 (derecha), usando Kernel Normal

32
33
Criterios para la elección de h:

Pagan y Ullah (pag. 23-26) y la literatura en general, considera dos criterios para elegir h:

integrated square error ISE:

Z
min [fb(x) − f (x)]2 dx

mean integrated square error MISE:

½Z ¾
minE [fb(x) − f (x)]2 dx

las que corresponden a la noción de "pérdida riesgorespectivamente, donde la primera

2

depende de los datos que se tiene en la muestra pero la segunda no.

Para caso de MISE:

Z
M ISEf (fb) = Ef [fb(x) − f (x)]2 dx (5)
Z Z
= varf fb(x)dx + [Ef fb(x) − f (x)]2 dx
| {z } | {z }
varianza sesgo

P ¡ ¢
Dado que fb = fb(x) = n·h1
· ni=1 K x−xh
i
, entonces, considerando la expresión (5),
es claro que si escogemos un h pequeño, el sesgo en la estimación de la densidad es
pequeño pero la varianza (ruido) es grande. Por otra parte, un h muy pequeño signifi-
ca que no habrán suficientes puntos en x para promediar o suavizar y en consecuencia,
obtendremos una estimación de la densidad que presente "saltos.o .ondas"(sinusoidales).

Por otra parte, si escogemos un h grande el sesgo será grande pero la varianza (rui-
do) menor, resultando en una estimación de densidad sobre suavizada y en conclusión
con una fuerte distorsión sobre la verdadera estructura de la densidad. En la práctica h
se debe escoger de manera de alcanzar el mejor "trade-off"posible entre sesgo y varianza,
lo que necesita de algún criterio.

AMISE: Aproximación de MISE mediante una expansión de Taylor.

Z Z Z
h4 2
AM ISE = · µ2 [f (2) (x)]2 dx + (nh)−1 f (x)dx K 2 (ψ)dψ (6)
4
1
= · λ1 · h4 + λ2 · (nh)−1
4
donde:
Z
λ1 = µ22 [f (2) (x)]2 dx

34
 Z
λ2 = [K 2 (ψ)dψ

µ ¶
x − xi
ψ=
h

Z
µ2 = ψ 2 K(ψ)dψ

para el caso de función kernel. Para obtener h∗ tal que minimize AMISE, diferenciamos
(6) con respecto a h e igualamos a 0.
1
h3 λ1 − λ2 = 0 → h∗ = c · n−1/5
n · h2
donde c=(λ2 /λ1 )1/5 el que depende del kernel y de la curvatura de la densidad (ver-
dadera).

Elección de h en la práctica:
R
Podemos notar que x depende de la varianza del Kernel y de [f (2) (x)]2 dx el que indica
el grado de variabilidad de la densidad. Así, por ejemplo, si la verdadera densidad es
más bien plana entonces λ1 → 0 y c → ∞ (ancho de banda muy grande). En contraste,
si la verdadera función es altamente variable, λ1 → ∞ y c → 0 (h pequeño).

Con el fin de tener una idea sobra la magnitud de c suponga que K es la densidad
normal estándar y f(x) ∼ N(µ, σ 2 ). Algebraicamente se puede determinar que c ∼ 1.06
σ y entonces h=1.06 σ · n−1/5 .

En Silverman (1986) se compara este último resultado con el h óptimo si la distribu-

ción desconocida realmente fuera una mezcla de dos normales o que fueran funciones
altamente simétricas, encontrandose que esta fórmula es una muy buena aproximación.
Una mejora a este método es reemplazar σ por un estimador robusto de la dispersion
de la muestra, por ejemplo:

h = 0,9A · n−1/5 donde A = min{σ̂, (R/1,34)}

con R, el rango intercuartil.

Una forma alternativa y muy utilizada en muchas aplicaciones semi y no paramétricas

es la Validación Cruzada Generalizada (GCV). Cuando una decisión como suavización
debe realizarse, escoja el parámetro que optimiza el criterio de la función jackknife.
Jackknifing es un procedimiento general donde una cantidad desconocida se estima al
dejar fuera cada observación sucesivamente y estimar, usando las n-1 observaciones
restantes, algo acerca del n-ésimo punto. Por ejemplo, al dejar fuera x1 usamos los

35
restantes puntos para estimar logfb(x1 ) el que denotaremos por fb[−1] (x1 ). de esta forma,
escogemos h de tal modo de:
n
X
máx log fb[−i] (xi )
{h}i=1
i=1

Elección de K(·):

Pagan y Ullah usan K(ψ) mientras que Van der Vaart usa K(y). Pagan y Ullah -
supuesto A.2 (Pág 21) - impone las condiciones estándar para K(·) la que debe ser una
función simétrica (no negativa ?) y que satisfaga los siguientes criterios:

Z
(i) K(ψ)dψ = 1

Z
(ii) K 2 (ψ)dψ = µ2 6= 0

Z
(iii) K 2 (ψ)dψ < ∞

bajo estas condiciones, se demuestra (pág. 27-28) que AMISE puede ser minimizado
para el caso del Kernel con bandwidth uniforme al escoger el siguiente kernel:
½ 3 2
K(ψ) = 4 (1 − ψ ) |ψ| ≤ 1;
0 ∼

conocido como Kernel Epanechnikov(1969).2

Este tipo de Kernel es no negativo para todo el dominio de x y tiene forma de parábola.
Existe una extensa literatura comparando el MISE de este Kernel con el de otros posibles
Kernels. Los resultados indican que la diferencia entre estos es pequeña. Consecuente-
mente, considerando simplicidad, costos computacionales y la velocidad de convergencia
del estimador de la densidad pueden determinar que Kernel escogemos como apropiado
al problema que estemos analizando. No obstante, la elección de h tiene mucho mayor
impacto que la elección de K(·).

Elección de K(·): Aspectos Adicionales:

Si abandonamos el requerimiento que K(ψ) sea no negativo podemos reemplazar el

supuesto A.2 por A.6 y reducir el AMISE de fb(x) en una cantidad apreciable ( O(n−4/5 )
2
¡ x−xi ¢
Recordar que ψ = h
.

36
→ O(n−2r/(2r+1) )), con r el valor del orden del Kernel. Sea K perteneciente a la clase
de Kernels simétricos, tal que:
Z
ψ j K(ψ)dψ = 1 si j = 0
= 0 si j = 1, · · · , r − 1; r≥2
< ∞ si j = r

(momentos de orden (r-1) son cero pero el r-ésimo momento es finito). Estos Kernels se
conocen como “Kernels de orden superior” (orden r). Para emplearlos debemos asumir
que la derivada de orden r es continua).
Se puede demostrar que Kernels de orden superior reducen su AMISE a O(n−2r/(2r+1) )
el cual para r grandes es cercano a la tasa paramétrica de O(n−1 ), ello al extender los
términos en la expansión de Taylor). 3

Ejemplo:

Como se mencionó, Kernels de orden superior pueden necesitarse para:

reducir el sesgo en muestras pequeñas.

asegurar que la distribución asintótica de (nh)1/2 · (fb − f ) esta centrado en cero.

así debemos generar Kernels cuyos r-1 momentos sean cero. Si r=3 y K(ψ)=(a0 + a1 ·
ψ + a2 · ψ 2 ) · φ(ψ)
R donde φ(ψ) Res una densidad NR(0, 1), a0 , a1 , a2 deben determinarse
de modo que K(ψ)dψ = 1 y ψK(ψ)dψ = 0 = ψ 2 K(ψ)dψ.

Del hecho que los momentos impares de una normal (0,1) son cero y los pares son:
µ ¶
2j 2j + 1
Eψ 2j = ·Γ
π 2
tenemos que:
Z
K(ψ)dψ = 0 ⇒ a0 + a2 = 1

Z
ψK(ψ)dψ = 0 ⇒ a1 = 0

Z
ψ 2 K(ψ)dψ = 1 ⇒ a0 + 3a2 = 0

3
La secuencia {xn } de números se dice que es de orden nk , xn =O(nk ), si xn
nk
→ c mientras n → ∞
y c es constante.

37
donde las soluciones son: a0 = 3/2; a1 = 0, a2 = −1/2. Así, el Kernel es:
1
K(ψ) = (3 − ψ 2 )φ(ψ)
2
cuyos primeros momentos son cero. Este Kernel incluye una mezcla de polinomio de
grado dos y una densidad normal el que puede alcanzar valores negativos !! (en vez de
sumar, datos lejanos se restan).

Otros Tipos de Kernels: bandwidth variable o estimadores de Kernel adap-

tativo

¿Puede la reducción del sesgo lograrse sin tener que utilizar kernels de orden superior?.
La respuesta es Si al escoger diferentes h para xi . En general, si xi esta en una area
densa, hi deberá ser pequeño; mientras las observaciones “outlying” deberán recibir un
hi mayor. Hecho de manera correcta O(n−8/9 ) puede lograrse con Kernels adaptativos,
no negativos (equivalente a kernels con r=4). Pero, en la práctica, kernels adaptativos
son más lentos que h uniforme y la teoría es muy compleja.

2.2.2. Estimación de Densidad II: Balanceo Exponencial

La función Kernel, a pesar de su popularidad y facilidad de uso, no permite repro-
ducir momentos mayores de las muestras observadas. Por ejemplo, medianas, intercuar-
tiles u otros similares no son posible de estimar utilizando Kernels.

Una forma novedosa poco convencional de estimación de funciones de densidad es una

variante de aquella propuesta por Barron y Sheu (1991) conocida como Balanceo expo-
nencial (Exponencial Tilting).

Definimos una función de densidad arbitraria f0 (x); también ψ(x) como un vector de
funciones de x con una dimensión m (es decir, pensar en un momento como E(x), E(x2 ),
E(x3 ), si m=3); y t un vector de m parámetros. Consideremos la siguiente densidad:

et·ψ(x) · f0 (x)
f (x; t) = R t·ψ(x) (7)
e · f0 dx

Aquí t transforma f0 (x) en otra densidad. Ahora, suponga que utilizamos la densidad
f (x; t) como un modelo paramétrico de un conjunto de datos, con parámetro t descono-
cido y a ser estimado. El logaritmo de la densidad es:

Z
logf (x; t) = t · ψ(x) + logf0 (x) − log et·ψ(x) · f0 (x)dx
= t · ψ(x) + logf0 (x) − K(t)

Donde el último término de la derecha representa la función generadora de momentos

38
acumulada. Entonces el log-likelihood es:

n
X n
X n
X
logL(t) = log[f (x; t)] = t · ψ(xi ) + logf0 (xi ) − n · K(t)
i=1 i=1 i=1

La F.O.C para maximizar logL(t) con respecto a t:

n Pn
∂logL(t) X ∂K(t) i=1 ψ(xi ) ∂K(t)
= ψ(xi ) − n o = (8)
∂t ∂t n ∂t
i=1

Así la media de ψ se define para que sea igual a ∂K(t) ∂t . Aquellos familiarizados con
funciones generadoras de momentos reconocerán
P que (8) plantea que el estimador MLE
de t es aquel donde Ef (x;t) ψ(x) = n−1 · ni=1 ψ(xi ), es decir que la media poblacional
de esta distribución "t-tilde"se iguala a la media muestral para cada componente de ψ.

Ello se puede obtener del siguiente cálculo:

Z
∂K(t) ∂
= log et·ψ(x) f0 (x)dx
∂t ∂t
R
ψ(x)et·ψ(x) f0 (x)dx
= R
et·ψ(x) f0 (x)dx
Z ( )
et·ψ(x) f0 (x)dx
= ψ(x) R t·ψ(x) dx
e f0 (x)dx
Z
= ψ(x) · f (x; t)dx
= Ef (x;t) ψ(x)

la idea es obtener una representación paramétrica que tiene la propiedades de la muestra

obtenida. Por ejemplo: si en la muestra µ=1 entonces:

ψ1 = x − 1 ; ψ2 = (x − 1)2 ; ψ3 = (x − 1)3 ; ψ4 = (x − mediana)

En el trabajo original de Barron y Sheu las funciones base ψ(x) eran secuencias de las
funciones polinomiales, trigonométricas o spline y x fue reescalado para que estuviera
en el rango [0, 1]. Así, tomando f0 (x) como la densidad uniforme sobre [0, 1], uno puede
usar polinomios ortogonales de la función uniforme para definir ψ(x). Pero cuantas de
estasψ’s deberían considerarse?. Si se sabe que el logaritmo de la verdadera densidad

39
 R
tiene r derivadas cuadráticamente integrables, ( |Dr logf (x)|dx < 0) entonces definien-
1 −2r
do m=n 2r+1 alcanza una tasa de convergencia de fb a f igual a Op (n 2r+1 ) el cual es
similar al alcanzado por los Kernels adaptativos (de orden superior)

Algunas Propiedades del Estimador de Balance Exponencial:

Los datos solo entran en la construcción del estimador a través de las medias mues-
trales de las funciones bases ψ(x). En la práctica, de aplicaciones econométricas
construimos las funciones base de tal forma que tengas media cero y las denomi-
namos çondiciones de momentos". Por ejemplo, ψ(xi ) = x3i − (x3 ) (el cual tiene
media cero) en vez de ψ(xi ) = x3i .

La formulación de ψ fuera de la noción estadística de funciones "base"nos per-

miten ser flexibles para imponer propiedades sobre la densidad estimada. Podemos
imponer una condición de mediana:

ψ(x) = 1(x > µ) − 1(x < µ)

donde µ es la mediana a ser impuesta.

La elección del número de condiciones de momentos m a ser impuestas es análogo

a la elección del Bandwidth de la estimación por Kernel. A menor m mayor es
la influencia de f0 (x) de la estimación fb(x). A mayor m, mayor la influencia que
tiene la secuencia de momentos en la apariencia de fb(x); en el límite, a medida que
m se acerca a n (tamaño muestral) la estimada tiende a reproducir la distribución
empírica (no obstante cuando m=n los cálculos colapsan).

Estimación de Densidades Multivariadas:

La extensión de la estimación de densidad por Balance Exponencial para el caso mul-

tivariado es simple: x ahora es multidimensional y ψ(x) deberá incluir momentos como
xa1 · xb2 para pequeños valores de a y b, también como xa1 · xb2 · xc3 y así sucesivamente
(notar también que la media de x puede ser restada de las expresiones anteriores para
imponer condiciones de momentos). No obstante, a medida que la dimensión aumenta,
la integración numérica que define K(t) se hace mas compleja.

En general, para todos los métodos de estimación incluidos el de Kernel, la dificul-

tad para obtener estimaciones de densidades precisas crece muy rápidamente con el
número de dimensiones.

Para el caso de funciones Kernel, la expansión a dimensiones mayores es bastante di-

recta:
n
X µ ¶
b b 1 zi − z
f (y, x) = f (z) · K1
n · hq+1 h
i=1

40
donde x tiene dimensión q e y es un escalar.

La ecuación anterior usa el mismo h para cada variable; una práctica habitual es o
bien reescalar los datos componente a componente con el fin de obtener una varianza
unitaria, aplicar el estimador Kernel y transformar de vuelta. Otra alternativa es uti-
lizar un Kernel normal multivariado con una matriz de covarianzas no diagonal donde
la elección natural para la matriz de covarianzas sería proporcional a la matriz de co-
varianzas muestral.

Por otra parte, la función Kernel multivariada K1 puede incluir la densidad normal
estándar multivariada o bien el producto de q+1 kernels univariados. Sorprendente-
mente, Epanechmikov demostró que el Kernel normal multivariado ( y no el producto
de Kernels Epanechnikov) minimizan el MISE sobre toda la clase de productos de Ker-
nels.

Cabe señalar que si tenemos fb(x) podemos manipularlo y obtener:

Z
f (x) = fb(y, x)dy
b

o bien:
fb(y, x)
fb(y|x) =
fb(x)
y así sucesivamente. De esto último se desprende que podremos calcular, entre otros
E(y|x) aunque no todos los estimadores no paramétricso de E(y|x) se obtienen de esta
forma.

Ejemplos de Estimaciones de Densidad:

(1) Densidad de Retornos Accionarios: (Pagan y Schwart 1990)

Uno de los primeros trabajos que utiliza la estimación de densidades está relaciona-
do con los retornos mensuales de activos financieros entre 1834 y 1925, con un total de
1104 observaciones para xi . Después de determinar los valores mínimos y máximos, un
grupo de 100 observaciones fueron seleccionadas las que pertenecían ea este rango. La
figura 2.1. presenta la estimación de densidad para estos 100 puntos para una función
Gaussiana :

1 2
K(ψ) = (2π)−1/2 e− 2 ψ
y una Espanechnikov:

K(ψ) = 43 (1 − ψ 2 ) si |ψ| ≤ 1

41
 xi −x
donde ψ = h y h=n−1/5 σ
bx , con n=1104.

Se observa que sólo hay pequeñas diferencias entre estimadores sugiriendo que la elec-
ción entre tipos de kernel no es fundamental.

La figura 2.2 contrasta la densidad estimada con una Normal de una variable aleatoria
con la misma varianza muestral. También se entrega la cota inferior del intervalo de
confianza al 95 %, el cual se calcula como :

(nh)−1 ( 0,2821 ·fb(x))

R
| {z }
K 2 (ψ)dψ

42
No hay duda de que la densidad es diferente a la Normal y una de sus características
principales es sus colas mas anchas y gran peak en torno al valor cero. Esto significa que
hay demasiados retornos o muy grandes o muy pequeños para que sean consistentes con
una distribución Normal. Adicionalmente, pareciera ser que hay mas retornos positivos
que negativos dando una idea de que la distribución no es exactamente simétrica.

Complementario a lo anterior, sabemos que :

µ Z ¶
d
(nh) 1/2
(fb − E fb) → N 0, f (x) · 2
K (ψ)dψ cuando n → ∞

es decir, que asintóticamente sería una Normal si (nh)1/2 h2 −→ 0 mientras n −→ ∞

pero sabemos que h = n−1/5 σx no cumple con este requerimiento y por tanto hay que
dar cuenta de este sesgo asintótico de alguna forma.

La utilización de Kernels de mayor orden puede ser ua forma de solucionar este proble-
ma. En la Figura 2.3 muestra que el ajuste no mejora mucho existiendo un estimación
con mas sinusoidales. Otra forma de solucionarlo es mediante Kernels adaptativos (ver
forma de estimación en pág. 74 de Pagan y Ullah). Los resultados que se presentan en
la Figura 2.4 tampoco arrojan resultados satisfactorios.

43
(2) Estimación de Densidad Dickey-Fuller:

Como se mencionó, el output de experimentos de Monte Carlo pueden ser utilizados

para realizar análisis no paramétrico particularmente cuando se desea tener una visión
completa de la densidad de un estimador en particular. Un caso interesante es el análisis
de la densidad para el estimador del parámetro en un proceso autorregresivo de primer
orden cuando el verdadero valor del parámetro es la unidad. Esto es :

44
 yt = ρyt−1 + et donde ρ = 1

Fuller (1976) entrega tablas para la densidad n(b

ρols − 1) las que son ampliamente uti-
lizadas para determinar el orden de integración de una serie.

De esta forma, este experimento es estimar por Montecarlo la densidad n(b ρ − 1) con
n = 1000 series de yt , t = 1, · · · 1000, y y0 y et obtenida de una N (0, 1). Si cada serie yt
(i)
es designada como {yt }1000i=1 , entonces:

"1000 # 1000
X (i) X (i) (i)
ρb(i) = (yt=1 )2 yt−1 · yt , ρ(i) − 1)
xi = 1000(b
t=1 t=1

y donde {xi }1000

i=1 .
La figura 2.5 muestra la la estimación de la densidad de n(bρols −1) cuando ρ = 1 usando
−1/5 R
Gaussian y Espanechmikov kernels con h = 0,9An , donde A=min{σ̂, 1,34 } = 0,31
yσbx = 3,47. Como se aprecia, existen pocas diferencias entre ambas.

45
46
Estimación de Densidad Univariada por Balanceo Exponencial:

Suponga que queremos construir una densidad g(x) con ciertas propiedades y cuen-
to con una estimación preliminar o densidad "base"f0 (x) la que puede o no tener las
propiedades deseadas. En particular, las "propiedades"son condiciones sobre los mo-
mentos, las que pueden ser expresadas como:
Z
γ(x)g(x)dx = M (9)

47
donde asumiremos que el dominio de x es conocido (por ahora). Podemos reescribir la
ecuación anterior como sigue:
Z Z
(γ(x) − M ) · g(x)dx = 0 o bien ψ(x)g(x)dx = 0

donde ψ(x) es una condición de momento construida deliberadamente (no confundir

con ψ(x) = ( x−x
h ), la que se iguala a cero. ψ(x) puede tener una dimensión m.
i

Considere:

eλ·ψ(x) · f0 (x)
f (x; t) = R
eλ·ψ(x) f0 (x)dx

Definiendo:
Z
Mo (t) = et·ψ(x) · fo (x)dx
Z
= et·ψ(x) · f (x; o)dx

y, en forma similar:
Z
Mλ (t) = et·ψ(x) · f (x; λ)dx
Z
eλψ(x) · f0 (x)
= et·ψ(x) · dx
M0 (λ)

Para hacer las cosas más fáciles, definamos:

logM0 (t) ≡ K0 (t)

Ahora, podemos definir λ en f(x; λ) de tal modo que f(x; λ) es la ( o una) función g(x)
que buscamos. Estos requiere que:
Z
eλψ(x) · f0 (x)
ψ(x) · dx = 0 (10)
M0 (λ)

donde podemos observar que (10) es idéntica a ∂K∂λ 0 (λ)

(ver notas anteriores), de esta
∂K0 (λ)
manera resolviendo ∂λ = 0 para λ nos entrega valores para λ que tenga propiedades
requeridas.
Para el caso univariado, suponga que tomamos una secuencia de funciones γ(x) y cal-
culamos su media muestral de forma de determinar µ. Si definimos ψ(x) = γ(x) − µ
y seguimos el procedimiento anterior para calcular f(x, λ), entonces si se escoge ade-
cuadamente la secuencia γ(x) (la que incluye el número de funciones a medida que la
muestra aumenta), el estimador fb(x) = f (x; λ) converge a la verdadera densidad a la
misma velocidad que los Kernels reducidores de sesgo, independientemente de la forma

48
escogida para f0 (x).

Ejemplos de condiciones de Momentos:

mediana: 1(x < µ) − 1(x > µ) = 0

α quantil: α · 1(x < µ) − (1 − α) · 1(x > µ) = 0

Estimación por Kernels: puntos adicionales:

Deaton(1997), pág 174.

"....an adequate procedure is to consider a number of different bandwidths, to plot the

associate density estimates, and to judge by eye weather the plots are under smoothed
or over smoothed...there should also be some preference for undersmoothing when using
graphical methods; the eye can readly ignore variability that it judge to be spurious,
but it cannot discern features than have been covered up by oversmoothing".

Ejemplo: log PCE (per capita expenditure) en Sudáfrica.

n µ ¶
b 1X x − xi
fw (x) = vn K K = Epanechmikov
h h
i=1

vn : pesos normalizados (pesos normalizados por su suma, es decir que sumen 1).

Posiblemente en la realidad sea como A pues están incluidos blancos y negros con
claras diferencias en sus PCE’s.
h’s grandes o oversmoothing pueden esconder propiedades verdaderas de los datos.

49
 Pero h’s pequeños hacen que la serie tenga muchos saltos, quizás exagerando la
verdadera distribución de los datos.

2.3. Estimación de los Momentos Condicionales

2.3.1. Estimadores Tradicionales
Una vez revisado los aspectos generales de estimación no paramétrica de una den-
sidad de probabilidades, el siguiente paso que debemos dar está relacionado con la
estimación de funciones de momentos condicionales. Ello debido a que en general, los
modelos econométricos pueden ser visto como una función de momento condicional, en
particular como una valor esperado condicional. De esta manera, a diferencia de una
estimación de densidad bivariada o multivariada nos interesa determinar la forma que
tiene la relación entre un conjunto de variables x y su contraparte y. Con este fin,
adoptaremos la siguiente notación:

Y = E(Y |X = x) + u = m(x) + u

donde, en general diremos que Y, X son variables aleatorias poblacionales y xi , yi pueden

ser ya sea variables aleatorias o valores particulares de la muestra dependiendo del con-
texto.

En primer lugar, debemos notar que si tenemos valores repetidos de x, podemos prome-
diar los valores correspondientes de y para obtener un estimador de m(x). NO obstante
l,o anterior, si no tenemos varias observaciones de x, podemos tomar valores muestrales
{yi , xi } donde xi esta cercano a x y promediar los y’s correspondientes. O bien, mas
sofisticado aún, tomar un promedio ponderado de los y’s dependiendo cuan cerca esta
el correspondiente xi de x. La idea en general, es analizar la estructura o dispersion
que tienen los valores de y, los cuales son obtenidos a partir de los x en relación de
como están distribuidos dichos x. Veamos esto formalmente. Podemos definir entonces,
el valor esperado de y condicional en x como :
Z ∞
f (x, y)
m(x) = y· dy (11)
−∞ f1 (x)

donde f1 (x) es la densidad marginal de X en x. Si sustituimos estimadores de Kernels,

los que se obtiene de la muestra, con ancho de ventana fijo h para f (y, x) y para f1 (x),
entonces obtenemos (después de un tortuoso camino algebraico, p. 83-84 de Pagan y
Ullah), la siguiente expresión para el estimador de dicha esperanza condicional.
Pn ¡ x −x ¢
i=1 K · yi
i
m(x)
b = Pn ¡hx −x ¢ (12)
i=1 K
i
h

el que se conoce como el estimador de Nadaraya-Watson.

Para estimar m(x) se pondera cada observación yi en proporción a la contribución

50
que los x’s de cada yi hacen para la estimación de la densidad marginal de X a x.

El estimador de Nadaraya-Watson puede ser visto como una suma ponderada de aque-
llos yi ’s que corresponden a xi en una vecindad de x.

Una generalización de esta idea es la de estimar m(x) de la siguiente forma:

n
X
m(x)
e = wni (x) · yi (13)
i=1

donde wni = wn (xi , x). Si los wni son no negativos y suman 1, podemos pensarlos en
ellos como pesos probabilísticos.

Veamos esta situació en el siguiente gráfico donde se han considerado sólo dos pun-
tos.

yj

m(x)

yi

xi X xj

n
X
m(x)
e = wni (x) · yi
i=1

ahora, si n=2, tenemos que :

= yi · wn (xi , x) + yj · wn (xj , x)
¡ ¢ ³ ´
x −x
K xih−x · yi + K jh · yj
= ¡ x −x ¢ ³ ´
x −x
K ih + K jh

Pues bien, pensando ahora mas en el contexto de un modelo de regresión, donde la

especificación tiene la estructura de una esperanza condicional, podríamos pensar en
m(x) como una forma funcional conocida con parámetro β. De esta manera, el estimador

51
OLS de β se encontraría al minimizar la siguiente expresión:
n
X
(yi − m(xi , β))2
i=1

De esta forma, podríamos considerar el siguiente criterio:

n
X
wn∗ i (x) · [yi − m(x)]2
i=1

mediante el cual se le entrega un ponderador mayor (peso mas alto) a aquellos xi que
están mas cerca de x. Si m(x) es considerado como un solo parámetro a estimar (pensar
en la constante en un modelo de regresión), entonces tenemos que:
n
X
wn∗ i (x) · [yi − m]2 (14)
i=1

con una solución teniendo una estructura como en (13) donde:

wn∗ (x)
wni = Pn i ∗
i=1 wni (x)

Notar, que lo que hacemos es tratar de estimar los β para lo que necesitamos una
estimación (en este caso no paramétrica) de la esperanza condicional. Para el caso
del estimador de Nadaraya-Watson los pesos para la estimación de dicha esperanza
condicional son de tal forma que - al comparar (14) con (12)- escogemos los m de tal
forma de minimizar:
X µ ¶
x − xi
[yi − m]2 · K
h

Una extensión natural a esta forma de estimación es la denominada "locally linear

regression". En ésta se escoge m y β con el fin de minimizar la siguiente expresión :
n
X µ ¶
2 x − xi
[yi − m − (xi − x)β] · K
h
i=1

De esta manera, mientras el estimador Nadaraya-Watson ajusta una constante a los

datos cercanos a x, el estimador LLR ajusta una línea recta. Claramente, funciones más
complejas, por ejemplo, polinomios de (xi − x) pueden ser agregadas a esta formulación
para así obtenre "locally polynomial regression".

El siguiente gráfico muestra una de estas LPR en que se han utilizados polinomios
de Hermite para aproximar la función.

52
 f3(x)
f2(x)

1
f1(x)=1

donde, en esta caso, f1 (x) = 1, f2 (x) = a + bx y f3 (x) = c + dx + ex2 . Así, la linea

continua se aproxima mediante una combinación de las funciones fi (x). Formalmente :
" q #
X
k
m(x) = E[Y |X = x] = G fk (x )
k=1

con q= número de funciones

En el caso particular de utilización de polinomios de Hermit, se debe cumplir que :

Z
f1 (x) · φ(x) = 1

Z Z
f2 (x) · f1 (x) · φ(x) = 1 pero f2 (x) · f1 (x) = 0

y así sucesivamente donde se imponen condiciones de ortogonalidad entre las funciones

escogidas.

Entre las ventajas de los modelos de LLR podemos destacar las siguientes:

pueden ser analizad con las técnicas de regresión estándar.

tiene las mismas propiedades estadísticas independientemente si xi son estocásti-

cas o deterministicas.

2.3.2. Estimación de momentos condicionales mediante series:

Una forma alternativa de estimar m(x) = E(y|x) es aproximar m(x) por una función
lineal de un vector z de dimensión M, con z = z(x) donde el conjunto de funciones z se
denomina "base". Elecciones obvias de la base pueden ser x, x2 , x3 , o similares o bien var-
ios sistemas de polinomios ortogonales (por ejemplo, los ya mencionados Hermit). Una

53
forma más compleja son series trigonométricas sin(kx), cos(kx) para k = 1, ...., M/2.
La idea es estimar θ en el modelo:
n
X
y= zik θn + ui
i=1
PM
De esta manera, m(x) puede ser aproximada por m(x)
b = k=1 zk (x)θk .

Esta forma "funcional"(en el sentido asintótico) si M crece en forma proporcional a

n y si m(x)
b se aproxima a m(x) suficientemente bien. Una sugerencia de base que
funciona bastante bien es una forma funcional flexible de series de Fourier donde las
funciones base tienen las siguientes formas:

sin(x1 + x2 ), sin(x1 + x3 ), sin(x1 − x3 ),.....

sin(2(x1 + x2 )), sin(2(x1 + x3 )), sin(2(x1 − x3 )),....

junto con términos en cosenos y polinomios (ver Pagan y Ullah p.124-125).

En geneal la aproximación multivariada mediante series de Fourier tiene la siguiente

forma;
L X
X J
yi = [γjl cos(jkl0 xi ) + δjl sin(jkl0 xi )]
l=1 j=1

con kl0 vector de valores entre -1 y 2 (ver siguiente tabla ) y L y J realcionados con M/2.

La idea central de esta forma flexible, desarrollada por Gallant, es que dichas series
aproximan bastante bien m(x) para el caso multivariado. En particular bajos ciertos
supuestos (B1-B7, en teorema 3.9 Pagan y Ullah), se cumple que:

u−1/2 [E(m(x))
b − m(x)] → 0 mientras n → ∞

con u = σ 2 (Z 0 (Z 0 Z)−1 Z).

54
 Conditional Moment Estimation
Tabla3.1. Multi-indices {kl } for q=3. K ∗ =3
k∗ 1 2 3
(1,0,0) (1,1,0) (1,1,1)
(0,1,0) (1,0,1) (1,-1,1)
(0,0,1) (0,1,1) (1,1,-1)
(1,-1,0) (1,-1,-1)
(1,0,-1) (0,1,2)
(0,1,-1) (0,2,1)
(1,2,0)
(1,0,2)
(2,1,0)
(2,0,1)
(0,1,-2)
(0,2,-1)
(1,-2,0)
(1,0,-2)
(2,-1,0)
(2,0,-1)

Comparación entre regresión paramétrica y no paramétrica:

1. No es posible calcular la esperanza condicional para valores de x donde la densidad

es cero. Si x no puede ocurrir no tiene sentido condicionar, y en su ocurrencia el
intento de calcular la regresión en estos caso implica dividir por cero; ver (12).

2. No obstante, cálculos para valores cercanos a cero pueden ser obtenidos pero con
intervalos de confianza (varianza) muy altos y por lo tanto, la imposición será
alta.

3. A diferencia de la regresión paramétrica, es imposible utilizar regresiones no

paramétricas para calcular predicciones fuera de la muestra.

4. La gran ventaja de la regresión no paramétrica es el hecho que no asume for-

ma funcional alguna permitiendo no solo que los datos "escojan"los parámetros
estimados sino que la forma de la curva también.

2.3.3. Sesgos en las regresiones usando Kernels:

Existen dos fuentes de sesgos en una regresión mediante Kernel. Estos se ilustran
en el siguiente gráfico.

55
 Bandwidth m2
y3*

y2* m1
y3

y2

y1

x1 x2 xa xb x3

Sources of Bias in kernel regressions

Los puntos x1 , x2 , x3 están igualmente espaciados y donde tenemos dos funciones de

regresión, a saber, m1 la que es una línea recta y m2 una curva.

Partamos con el caso de la función m2. Dado el ancho de banda h sólo los puntos
x1 , x2 y x3 contribuyen a la estimación de y2 , En consecuencia, este valor será un
promedio ponderado entre y1 , y2∗ e y3∗ donde y2∗ captura la mejor parte del peso y con
y1 e y3∗ tomando el mismo peso y con los pesos sumando 1.

Dado que la función de regresión es cóncava, este promedio ponderado será menor
que y2∗ y por lo tanto la estimación estará sesgada hacia abajo. Si la verdadera función
fuera convexa, el sesgo será hacia arriba y por lo tanto, sólo en el caso lineal no existiría
sesgo. No obstante, el sesgo sería cada vez menor a medida que el tamaño de la muestra
aumentara ya que el bandwidth será cada vez menos y, en el límite, salo x2 contribuirá
a estimar la media condicional.

En consecuencia, transformaciones previas de los datos que tiendan a la linealización de

la relación (como logs) serán útiles para eliminar esta clase de sesgo en la regresión por
kernel. Desafortunadamente, no todo el sesgo puede ser eliminado mediante un modelo
lineal.

Al considerar los valores extremos también cierto sesgo puede aparecer. Suponga que
x1 es el valor menor de las x’s en la muestra. Cuando tratamos de estimar la regresión
por kernel en x1 , el promedio de los puntos vecinos sólo incluirán aquellos que están
a la derecha y por lo tanto existirá un sesgo hacia arriba en la estimación (si la regre-
sión tiene pendiente positiva). Un problema análogo se observará en la otra parte de la
muestra. Este sesgo disminuye a medida que nos movemos de las puntas hacia el centro
pero si el bandwidth es amplio este sesgo puede ser distorsionador.

56
La pregunta que surge es, si a pesar de tener una relación lineal, la cual evita el primer
sesgo ya discutido, cómo se puede eludir el segundo sesgo. La respuesta es ampliar
la muestra (es decir, n → ∞). Pero que sucede si no demos hacer esto en la práctica.
Una forma, es la ya discutida aproximación utilizando series, pero existen otras, veamos.

Una forma es imponer una estructura de los momentos condicionales, el cual, entre
otras cosas nos ayuda a solucionar el problema del çurse of dimensionality"que surge al
utilizar las aproximaciones por series.

Por una parte, existen un tipo de aproximaciones que se denominan Modelos Aditivos
Generalizados los que tiene la siguiente estructura :
q
X
yi = mj (xij ) + ui
j=1

donde mj son funciones de variables unitarias con E[mq (xq )] = 0 condición necesaria
para su identificación. Supongamos que el número de regresores q, es igual a 2.

m(x1 , x2 ) = m1 (x1 ) + m2 (x2 )

entonces, al aplicar valor esperado tenemos que:

Z Z
m(x1 , x2 )f (x2 )dx2 = {m1 (x1 ) + m2 (x2 )}f (x2 )dx
= m1 (x1 ) + 0

y de esta manera, estimadores de f2 (x2 ) y m(x1 , x2 ) entregan un estimador de m1 (x1 ).

Este procedimiento se puede realizar en forma análoga con el fin de obtener m2 (x2 ) y
así sucesivamente.

Por otra parte, si bien sabemos que :

Z
m1 (x1 ) = m(x1 , x2 )f (x2 )dx2
R
ya que m(x2 )f (x2 ) = 0 dado el supuesto de que E(m2 (x2 ))
P= 0. Entonces, m(x1 , x2 )
n
puede ser estimado en forma no paramétrica m(xb 1 , x2 ) = j=1 wj (x1 , x2 )yj dejando
sólo el problema de que hacer con f2 (x2 ).

Una forma de llevar a cabo esta última etapa es mediante el reemplazo de f (x2 ) por
una función determinística f (x2 ) con la condición que integre a la unidad.

57
De esta forma, finalmente, el estimador de m1 (x1 ) será:
Z
mb 1 (x1 ) = m(x
b 1 , x2 )f (x2 )dx2
n
X Z
= yj · wj (x1 , x2 )dF (x2 )
j=1
Xn
= wj (x1 )yj
j=1
R
donde: wj (x1 ) = wj (x1 , x2 )f (x2 )dx2 .

Otra forma alternativa de la estimación de momentos condicionales es el modelo "Lineal

Parcial". Supongamos que la variable y depende nuevamente de dos variables aleatorias
x1 y x2 estructura que puede ser descrita de la siguente forma:

yi = x01i β + g1 (x2i ) + ui

Dado que E(yi |x2i ) = E(x1i /x2i )β + g1 (x2i ), tenemos que:

yi − E(yi /x2i ) = [x1i − E(x01i /x2i )]0 β + ui

donde β puede ser estimado vía OLS una vez que E(yi |x2i ) y E(x01i |x2i ) han sido
reemplazados por sus estimadores tipo kernel u otro similar. Así, g1 (x2i ) puede ser
recobrado de la siguiente manera:

g1 (x2i ) = E(yi |x2i ) − E(x01i |x2i )0 β

Notar la aparición de β en estas dos últimas ecuaciones. Ello nos lleva al mundo de la
"estimación semi-paramétrica", donde existen parámetros de interés económico en un
modelo de características no paramétricas.

2.3.4. Ejemplos de aplicaciones de estimación de momentos condicionales

Di Nardo y Tobias (JEP 2001).

Modelo : como afecta al salario por hora (en logaritmos) la habilidad cognitiva, me-
dida por un aprueba estándar, y nivel de educación, medida como el máximo nivel de
educación alcanzado por los individuos entrevistados.

Estimación: regresión por kernel del tipo

yi = m(xi ) + ui

58
donde el estimador de m(x0 ) es denotado por αo∗ , el cual minimiza el siguiente problema
de mínimos cuadrados ponderados:
n ·
X µ ¶¸
2 xi − x0
mı́n (yi − α0 − α1 (xi − x0 )) K
α0 ,α1 h
i=1

Para este caso particular, la variable educación, fue separada en 5 categorías y para la
variable habilidad cognitiva se creo una grilla de 20 puntos separados uniformemente
los que denotaban aquellos individuos desde 0.3 desviaciones estándar bajo la media de
esta variable hasta 1,5 desviaciones estándar sobre la media.

De esta manera se necesitaron cinco regresiones no paramétricas con el fin de describir

la relación entre habilidad y (el log) de los salarios por hora al interior de cada grupo
educativo. Estos 5 valores estimados se agruparon de modo de graficar la esperanza
condicional de log wages sobre el espacio habilidad-educación.

59
 Comentarios:

Con respecto al Bandwidth: el de la izquierda se obtuvo con un h óptimo de

acuerdo con los criterios ya vistos. Aquel de la derecha es con h más pequeño, y
por ende, más "saltos".

Con respecto a los resultados: salarios suben a medida que la educación sube
dado un nivel de habilidad; excepto en habilidad baja y educación alta, lo que
es un problema de disponibilidad de datos más que de inconsistencia económica.
También para niveles altos de educación existen retornos crecientes a los niveles
de educación más bajos donde tiene forma de U invertida.

Otro ejemplo:

Ahora bien veamos resultados mediante el uso del modelo semi paramétrico “partially
linear model” entre otras cosas, para ver el aumento del “curse of dimensionality” y los
beneficios en términos de ahorro de costos computacionales. Para ellos consideremos
este sencillo modelo:

yi = zi β + m(xi ) + εi

Una forma de estimar un modelo como este , es la siguiente:

(i) Ordenar los datos por valores ascendentes de x (aquellos que deseamos tratar no
paramétricamente). Calcular primeras diferencias de todos los datos ordenados.

(ii) Obtener un estimador de β usando diferencias de las variables z e y [esto es :∆yi =

β0 ∆zi + ui ]

(iii) Ajustar la variable dependiente original yi al sacar el efecto de las variables z.

yi∗ = yi − zi0 β0

(iv) Obtener una regresión lineal local no paramétrica usando yi∗ y xi para obtener un
estimador de m.

Veamos una aplicación práctica de este modelo para el cual se ha generado 300 puntos el
que incluye componentes paramétricos como también no paramétricos con la siguiente
estructura:

y = 2z1 + z2 + m(x) + ε

donde m(x) = 0,3exp[−4(x + 1)2 ] + 0,7exp[−16(x − 1)2 ] y con ε ∼ N (0, 0,01In ).

Además x es generado uniformemente en el intervalo [-2,2] y z1i ∼ N(0.5xi , 1) y z2

independientemente generado a partir de una t-student con 4 grados de libertad.

Los siguientes gráficos muestran la verdadera así como los resultados de las variadas

60
estimaciones, concentrándose en la parte no paramétrica.

2.4. Estimación Semiparamétrica de modelos con variables de elec-

ción discreta
Finalmente retornamos al punto que habíamos dejado durante el primera sección
de estas notas y que tenía que ver con la estimación de modelos con variable depen-
diente binaria. Recordando lo que se había mencionado, los modelos analizados para
modelar de elección discreta descansan en forma imprtante sobre los supuestos que se
asuman acerca de la distribución de los errores. Particularmente, dada la no linealidad
en los parámetros que resultan de escoger la función logística o normal acumulada para
estimar, la violación del supuesto acerca de la distribución de los errores generarán es-
timadores inconsistentes.

Lo anterior motivó la búsqueda de especificaciones mas flexibles acerca de la distribu-

ción de los errores. El mundo no paramétrico ofrece una alternativa de solución para
estos casos.

61
No obstante lo anterior, vimos que si utilizamos especificaciones no paramétricas para
determinar valores esperados condicionales nos enfrentaremos al problema del curse of
dimensionality, el cual se agrava mientras mas regresores incorporamos en las estima-
ciones.

Como vimos, una forma de salir al paso es realizar estimaciones del tipo semiparamétri-
ca pueda así esquivamos este último problema y nos concentramos en la variable de
interés (ó aquella generadora del problema).

Retornemos a la estimación paramétrica del modelo de elección binaria MEB el cual

utilizaremos como benchmark.
yi∗ = x0i β + ui
donde yi∗ es la variable no observada o latente y el econometrista sólo observa si y ∗ es
positivo o no (o yi es 1 o 0). Si asumimos que ui es i.i.d independiente de x, entonces:
P [yi = 1] = P [yi∗ > 0] = P [x0i β + ui > 0]
= P [ui > −x0i β]
= F [x0i β] =: Fi
bajo la condición que u esta simétricamente distribuido entorno a 0.4 .

Como vimos, cuando u se distribuye normal, F (·) es la distribución normal acumu-

lada y el modelo se denomina Probit; cuando u es una distribución logística F (·) es
eu
(1+eu ) y el modelo se denomina Logit.

La función de verosimilitud para β en ambos casos 5 viene dada por:

n
X
logL = {(1 − yi ) · log(1 − Fi ) + yi · logFi } (15)
i=1

con las condiciones de primer orden siguientes:

n µ ¶
∂logL X ∂Fi
= Fi−1 (1 − Fi )−1 (yi − Fi ) = 0 (16)
∂β ∂β
i=1

Alternativamente, podríamos estimar el modelo no-lineal yi = F (x0i β) + ui , el cual

presume una forma funcional conocida para F (·), por mínimos cuadrados no-lineales,
el cual tiene las siguientes FOC’s:
Xn µ ¶
∂Fi
(yi − Fi ) = 0 (17)
∂β
i=1
4
Si no deseamos imponer simetría, entonces P (yi = 1) = 1 − F (−x0i β) = g(x0i β))
5
y en general, para cualquier modelo de elección binaria

62
Una forma de interpretar las condiciones de primer orden del estimador máximo verosímil
es que en ellas se "pesan"las FOC del mínimo cuadrado no lineales (NLS) en forma
apropiada para correguir la heterocedasticidad presente del error (yi − Fi ).

Es importante notar que F (·) es una función del escalar x0i β; de ahí el nombre de
modelo índice unitario (single-index model).

Debido a esta dependencia, la esperanza condicional está basada en este índice x0i β
y no en xi . Si β fuera conocido, y deseáramos estimar la probabilidad de una decisión
positiva (es decir, yi = 0 ó yi∗ > 0) dadas las características del individuo xi , métodos
no- paramétricos podrían ser empleados para estimar dicha esperanza condicional al
usar yi y zi = x0i β como datos. Notar que no se debería usar yi , xi pues no captarán la
naturaleza de índice único del modelo).

2.4.1. Normalización de los parámetros en un contexto semi-paramétrico.

En el mundo paramétrico, la escala de los errores se ha normalizado a 1 y una me-
dida de su ubicación central.6 Si no deseamos imponer restricciones a supuesto alguno
sobre el error en el mundo no paramétrico, deberemos imponer, eso si, algún tipo de
normalización sobre los parámetros a estimar (después de todo, menos restricciones so-
bre los errores no pueden incrementar el número de parámetros identificables).

La normalización más conveniente (ver Pagan y Ullah) es imponer la condición de

constante igual a cero y escalar el coeficiente de uno de las componentes de x como 1,
donde esta última variable escogida debe ser continua. Así, tenemos :

x0i β = x2i β2 + · · · + xqi βq

= β2 (x2i + x3i θ1 + · · · + xqi θq−2 )
= β2 · v(xi , θ)

donde

v(xi , θ) = x2i + x3i θ1 + · · · + xqi θq−2

β
con θj = βj+22
j=1, · · · , q − 2 y donde θ es identificable. Todo esto dependerá de si
se puede identificar correctamente una variable independiente continua con coeficiente
no-cero (es decir β2 6= 0). La función v(xi , θ) es denominada "el índice no tiene nece-
2

sariamente que ser lineal. Lo esencial es que la forma funcional entre los parámetros,
sea conocida y uno de estos parámetros puede ser normalizado a 1.

No olvidar que los modelos donde P (y = 1|x) = P (y = 1|v(x, θ) se denominan modelos

de índice único (i.e. propensity score de Heckman!!).

6
en logit y probit la medida se define como cero

63
Existen dos formas principales para evaluar θ semiparametricamnte, una al resolver
las condiciones de primer orden como (16) o (17), ó bien al maximizar (15) donde F (·)
y sus derivadas son reemplazadas por las estimaciones no paramétricas correspondientes
de la media de yi condicional en v(xi , θ). El primero de ellos se denomina estimador
Ichimura (1993) y el segundo el estimador de Klein y Spady (1993) donde ambos alcan-
zan el limite de eficiencia no paramétrica.7 .

2.4.2. Estimador de Ichimura: Mínimos Cuadrados Semiparamétricos

La idea central de este estimador es la siguiente:

yi − E(y|xi ) = yi − F (v(xi , θ0 ))
= yi − m(v(xi , θ0 ))

donde F es desconocida y v es conocida, y θ0 es el verdadero valor del parámetro θ. En

b puede surgir al aplicar mínimos cuadrados
consecuencia, un estimador de θ (es decir, θ)
a:
n
X
2
{yi − m(v(x
b i , θ))}
i=1

donde mb puede ser estimado, por ejemplo, por Nadaraya-Watson y v me lo doy. Aquí,
m
b es el estimador no paramétrico de E(y|v(x, θ)).

Las condiciones de primer orden para θ son:

n
X ∂ m[v(x
b i , θ)]
· (yi − m[v(x
b i , θ)] = 0
∂θ
i=1

La eficiencia de esta técnica depende de la habilidad para estimar m[v(xi , θ)], es decir, de
la velocidad de estimación. Ello impone ciertas restricciones sobre los anchos de banda h
si se utilizan métodos de kernel. No obstante, si son bien seleccionados se podrá obtener
consistencia n1/2 y normalidad. Esto es:
d
n1/2 (θb − θ0 ) → N (0, D−1 V D−1 )

con V = var(n1/2 v(θ0 , τo ) (ver Pagan y Ullah p.280).

2.4.3. Estimador de Klein-Spady:

Dado que v(x, θ) tiene un coeficiente no cero en una variable continua, entonces posee
uns distribucíón contínua, por ejemplo, f (v). Usando v para abreviar v(x, θ) podemos
7
análogo al límite de eficiencia de Cramer-Rao (Pagan y Ullah p.277, 280)

64
escribir la siguiente relación:
P (y = 1|x) = P (y = 1|v)
f (y = 1|v)
=
f (v)
f (v|y = 1) · P (y = 1)
=
f (v|y = 1) · P (y = 1) + f (v|y = 0) · P (y = 0)
Todas las cantidades que aparecen en este último término pueden ser estimadas; las
densidades condicionales por estimadores de densidad no paramétrica y las probabili-
dades incondicionales por las medias muestrales.

Usando Pb(y = 1|v) para denotar un estimador obtenido a partir de la sustitución

de los estimadores anteriores, una forma funcional análoga al ML paramétrico puede
ser escrita de la siguiente manera:
n
X
logL = (1 − yi )log(1 − Pb(y = 1|v)) + yi · log(Pb(y = 1|v)) (18)
i=1
Diferenciando con respecto a θ, tenemos :
à !
n
∂logL X ∂ Pb(y = 1|vi ) h i−1 h i
= · Pb(y = 1|vi )−1 · 1 − Pb(y = 1|vi ) · yi − Pb(y = 1|vi ) = 0
∂θ ∂θ
i=1

De nuevo este estimador dependerá de la velocidad en la estimación de P(y=1|v). De

ser así, el estimador encontrado alcanzará el límite de eficiencia NP.

¿Cómo se hace esto en la práctica?

Todos los estimadores se obtienen de procesos iterativos. En el caso de KSE,
(0)
primero se escoge un β, bks el cual entrega f (v|y = 1), f (v|y = 0). Notar que los
P (y = 1) y P (y = 0) se obtiene de la muestra.
A partir de ellos se obtiene un Pb(y = 1|v) en cual se incluye en (18) y se maximiza
(1)
obteniendo bks .
(0)
Este último se compara con bks y si es muy distinto se hace todo esto de nuevo.
Notar que en cada iteración se deben estimar los kernels de vuelta ahora con
distintos v. En particular, para KSE:
n
X µ ¶
1 v − x0i bks
f (v|y = 1) = · yi K ·
n · P (y = 1) · hn hi
i=1
y
n
X µ ¶
1 v − x0i bks
f (v|y = 0) = · (1 − yi )K ·
n · (1 − P (y = 1)) · hn hi
i=1
con n siendo el número de observaciones, hn : bandwidth y K: kernel.

65
Extensiones KSE: ver Lee(95) para varias elecciones (polychotomous) aunque KSE
no llega al límite inferior NP.

2.4.4. Otros estimadores No paramétricos para los modelos de elección bi-

naria
Aquí entregamos una lista acotada de otros estimadores que sugiere la literatura
aunque no son muy utilizados en la práctica.

1. Manski: Maximun Score Estimator

Esta basado en la siguiente función objetivo:
n
X
Qn (β) = yi · 1(x0i β > 0) + (1 − yi ) · 1(x0i β < 0)
i=1

el cual es n1/3 consistente, distribución límite no-normal y candidato natural para

hacer inferencia vía bootstrap, la consistencia depende de F (0) = 0,5 (mediana).

2. Horowitz: Smoothed Maximum Score Estimator

La idea básica es reemplazar la función indicador (1(·)) en el estimador de Manski
por una función suavizante la cual se acerque a la función indicador a medida que
n crece.

Ver paper Gerfin (1996).

66
3. Extensiones del Modelo Básico
Una vez que ya hemos analizado con cierto grade de detalle modelos de elección
binaria, en este capítulo revisaremos algunas extensiones del modelo básico binario.
Comenzaremos con el análisis de datos grupales para luego continuar con modelos para
situaciones con mas de dos elecciones.

3.1. Análisis de datos Grupales

En general, existen dos formas de analizar respuestas binarias. Una en forma indi-
vidual; es decir cada observación esta formada por la respuesta del individuo y un vector
de regresores asociados a él [yi , xi ] la cual es la que hemos analizado hasta ahora. La
segunda alternativa es en forma grupal. Bajo este marco, los datos consisten en propor-
ciones de observaciones, los que se obtienen observando la respuesta de ni individuos,
todos ellos con los mismos valores para el vector de características x.

Existen a lo menos dos formas de estimar modelos de datos grupales.

1. Máxima Verosimilitud:
Si asumimos que existen J clases de grupos de individuos donde las características
de éstos x son las mismas al interior de cada clase, entonces

P (yi = 1) = F (x0i β)

pero cuidado, ahora xi en un conjunto de variables las que sólo difieren entre gru-
pos y no al interior de ellos.

En forma análoga al caso individual, podemos definir la función de verosimili-

tud (en logaritmos) para cada individuo, de la siguiente forma :
n
X © ª
logL = yi · log(F (x0i β)) + (1 − yi ) · log(1 − F (x0i β))
i=1

Ahora, si los x son constantes al interior de cada clase j entonces la función

anterior puede ser re escrita como sigue :
J
X © ª
logL = pj · log(F (x0j β)) + (1 − pj ) · log(1 − F (x0j β)) (19)
j=1

Pnj
donde pj = n1j · j=1 yi es la proporción de respuestas igual a "1"en la clase j y
con n1 , · · · , nj el número de observaciones al interior de cada clase j. Notar que
la suma del MLE es solo sobre j términos y donde F puede ser la Normal o la
Logística.

Ahora, dado que J < n tenemos lo que se denomina un modelo “completamente

67
 saturado” con J parámetros. Esto significa que para cada clase de x asignamos
un parámetro diferente. Por ejemplo, δj con j = 1, ...J no imponiendo condición
alguna de como las covarianzas entre los δj pueden afectar las probabilidades.

De ser así, el log-likehood tiene la siguiente forma:

J
X
logL = [pj · log(δj ) + (1 − pj ) · log(1 − δj )] · nj
j=1

donde δbj M LE = pj . Ahora, supongamos que la verdadera probabilidad de que la

clase j tenga la experiencia del evento, sea πj . Entonces:

πj = F (x0j β)

donde dim(β) = K con K < J. Si el modelo de datos agrupados es exitoso es

porque resume las J celdas o grupos en forma parsimoniosa como función de un
número limitado de variables x.

Una forma de probar esto es realizar un LR test entre el modelo completamente

saturado y el original (19).
X
LR = −2[ nj pj · log(F (x0j β)) + (1 − pj ) · log(1 − F (x0j β))]
j
X
−[ nj pj · log(pj ) + (1 − pj ) · log(1 − pj )]
j

el cual se distribuye χ2[J−K]

2. Estimación por mínimos χ2 :

La idea es que en datos grupales debemos ajustar un número fijo de clases inde-
pendientemente del número de observaciones. No olvidar que en el caso individual
el número de observaciones crece en la misma proporción que la muestra. La idea
es transformar la variable dependiente y usar Mínimos Cuadrados Ponderados
(WLS). En la siguiente tabla se presentan algunos modelos con sus formas fun-
cionales correspondientes

Varios modelos de minimos χ2 para datos agrupados

Model Probability Dependent variable Variance(ε)
pj (1−pj )
Linear pj = Xβ pj nj
(1−pj )
Log-linear pj = exp(Xβ) log(pj ) nj pj
pj (1−pj )
Probit pj = Φ(Xβ) Φ−1 (pj ) nφ(pj )2
³ ´
pj 1
Logit pj = Λ(Xβ) log 1−p j nj pj (1−pj )

El procedimiento consiste en regresionar por OLS la variable dependiente de acuer-

do a la tabla y se utilizan como pesos la inversa de la raíz cuadrada de la varianza

68
dada en la última columna de la tabla.

No obstante, debemos recordar que al ser los coeficientes de ponderación fun-

ciones de parámetros desconocidos, se deben estimar previamente (dos etapas).
Ello mediante un OLS en la primera etapa (sin pesos) donde los estimadores
serán consistentes pero no eficientes. Y luego, en la segunda etapa, con los pesos.
Amemiya 1985: 275-280 demuestra que el estimador χ2 de β tiene las mismas
propiedades que el estimador MLE, esto es, E(pj ) = πj con la misma varianza.

Una derivación mas formal (ver Amemiya 275 ó Greene 769)

pj = F (x0j β) + ²j = πj + ²j
πj (1−πj )
donde E(²j )=0 y V(²j ) = nj
· ¸
−1 −1 −1 dF −1 (πj )
F (pj ) = F (πj + ²j ) ≈ F (πj ) + ²j
dπj
la última expresión corresponde a una expansión de Taylor en torno al punto
²j = 0.

Pero, sabemos que

F −1 (πj ) = x0j β
y ademá que,
dF −1 (πj ) 1
=
dπj f (x0j β)
luego se tinee que :
²j
F −1 (pj ) ≈ x0j β +
fj
obtiniéndose así el modelo de regresión lineal heterocedástico :
F −1 (pj ) = zi = x0j β + uj
Fj (1−Fj )
con E(uj ) = 0 y V (uj ) = nj ·fj2

Para el caso de logit (ver tabla anterior), si se sabe que :

exp(x0j β)
πj =
1 + exp(x0j β)
entonces, µ ¶
πj
x0j β = log
1 − πj

69
Un ejemplo

Veamos un ejemplo ilustrativo de la estimación de modelos binarios con datos agrupa-

dos. Warner (1978) considera el problema de predicción de deserción para los enlistados
en la marina de los EEUU. Para ello define las siguientes variables:

y = 1 si la persona deja la marina antes de terminar primer año de enlistamiento.

y = 0 en otro caso.

Warner estima cuatro modelos alternativos:

(a) un modelo de probabilidad lineal con observaciones individuales.

(b) modelo de probabilidad lineal con observaciones en grupo.
(c) modelo logit con observaciones individuales.
(d) modelo logit con datos grupales.

La variable dependiente era si la persona se retiró anticipadamente del programa antes

de terminarlo. En este estudio, las variables independientes eran: años de educación,
habilidad mental (Test AFQT), estado civil, edad y raza. La educación se dividió en
tres categorías: menos de 12 años, 12 años y más de 12 años. El puntaje del test de
habilidad se dividió en cinco categorías. La edad en tres categorías (menos de 18, 18 o 19
y mas de 19 años). Las distintas combinaciones de nivel de educación, habilidad mental,
edad, raza y estado civil arrojaron un total de (3x5x3x2x2) 180 categorías o celdas en
las que los individuos pueden clasificarse. Estos son los datos grupales. La muestra con-
sistió en 30.000 individuos extraído de un total de 67.000 reclutas hombres durante 1973.

Para la estimación del modelo de probabilidad lineal se aplicó el método de correc-

ción de heterocedasticidad sugerido por Goldberger. No obstante, en los casos que la
estimación de p por OLS es menor que 0, Warner usa un pb=0.02, sugerido por Nerlove
y Press (1973). Si bien este último procedimiento puede salir al paso del problema de
los pesos negativos en la estimación por GLS de los β, los problemas de interpretación
del modelo como una de probabilidad aún persiste.

En la siguiente table se presentan los resultados alcanzados para las cuatro especifi-
caciones empíricas.

70
 Comparación entre los parámetros estimados: datos individuales y por grupos
Variable Individual linear Grouped linear Individual logit Grouped logit
Ed<12 -0.105 (17.04) -0.109 (14.14) -0.672 (21.23) -0.656 (14.42)
Ed>12 0.028 (3.88) 0.032 (3.79) 0.349 (4.51) 0.284 (2.87)
Mental group I 0.084 (9.95) 0.084 (9.65) 1.179 (9.32) 1.040 (6.00)
Mental group II 0.021 (3.96) 0.020 (3.09) 0.201 (4.50) 0.208 (3.6)
Mental group III -0.053 (7.70) -0.052 (6.20) -0.345 (7.71) -3.42 (6.00)
Mental group IV -0.098 (12.46) -0.097 (10.04) -0.581 (12.98) -0.571 (9.75)
Dependents -0.046 (4.82) -0.039 (3.61) -0.349 (5.52) -0.403 (5.21)
Age<18 -0.031 (4.16) -0.024 (2.56) -0.145 (3.24) -0.166 (3.14)
Age>19 -0.027 (4.30) -0.022 (3.51) -0.185 (4.13) -0.169 (3.24)
Race 0.027 (3.61) 0.037 (4.15) 0.136 (3.04) 0.081 (1.28)
Constant 0.881 (25.70) 0.882 (20.79) 1.959 (61.96) 1.950 (40.87)
N 30.000 137 30.000 137
(t values entre paréntesis)

Como se observa, las variaciones entre el modelo estimado en forma grupal y aquel
individual son poco significativas. Notar, eso sí, la menor cantidad de datos necesarios
para la estimación de los datos en forma agrupada.

3.2. Modelos con más de una elección

Hasta el momento nos hemos concentrado en modelos donde la variable dependiente
puede tener solo dos valores. No obstante, en la vida real nos podemos encontrar con
situaciones donde existan fenómenos que pueden ser descritos como procesos que in-
volucran mas de una decisión.

En general pueden existir a lo menos dos tipos de situaciones cuando hay mas de una
elección, a saber: (i) individuos que tienen que tomar varias decisiones cada una de
ellas entre dos alternativas o bien (ii)una elección donde hay mas de dos alternativas
(ordenadas o no ordenadas).

Para el primer caso se aplica generalmente modelos probit o logit multivariados mien-
tras que para el segundo caso se aplican los denominados multinomial logit cuando
las alternativas no tienen un orden pre establecido (no ordenados) o ordered probit
cuando el orden de las alternativas importa (caso ordenado).

Comenzaremos con la revisión de aquellos casos donde existen mas de dos alternati-
va de elección pero donde hay sólo una elección. Como se mencionó, en este caso existen
a lo menos dos situaciones:

1. donde las probabilidades de elección de cada alternativa dependen solo de las car-
acterísticas de quien decide. Bajo esta situación modelamos dichas probabilidades
con un Multinomial Logit (MNL).

2. donde además de lo anterior, las características de las alternativas en sí mismas

también influyen en la probabilidad de cada alternativa. Este caso será abordado
por el Conditional Logit atribuible a McFadden (1976).

71
3.2.1. Modelos para alternativas múltiples no ordenadas
Multinomial Logit Model Suponga que hay m categorías, donde pj con j = 1, ..., m
las probabilidades asociadas a la elección de estas m categorías. La idea detrás del multi-
nomial logit es expresar estas probabilidades en forma binaria. Esto es, la probabilidad
de escoger una alternativa j o de no hacerlo. Veamos.

Sea:
p1
= F (β10 X)
p1 + pm

p2
= F (β20 X)
p2 + pm

pm−1 0
= F (βm−1 X)
pm−1 + pm

esto implica que:

pj F (βj0 X)
= = G(βj0 X) j = 1, 2, · · · , m − 1.
pm 1 − F (βj0 X)
ya que,
m−1
X pj 1 − pm 1
= = −1
pm pm pm
j=1

tenemos que:
 −1
m−1
X
pm =  1 + G(βj0 X) (20)
j=1

y entonces:

G(βj0 X)
pj = Pm−1 (21)
1 + j=1 G(βj0 X)

Podemos considerar que las observaciones son obtenidas de una distribución multinomial
con las probabilidades dadas según (19) y (20). Desde el punto de vista computacional la
distribución logística para el error hacen que G(βj0 X) sea igual a exp(βj0 X) y entonces:8
0
eβj X
pj = j = 1, 2, ...m − 1 (22)
D
8
aunque técnicamente se puede asumir cualquier distribución para u en el modelo y ∗ = β 0 X + u

72
 Pm−1 0
con D = 1 + k=1 eβj X

este modelo se conoce como multinomial logit.

Estimación del MNL

Cada uno de los n individuos escogerá la alternativa k con probabilidad dada por (21).
Si xi es el vector de observaciones para el individuo i, entonces pij con j = 1, 2, ...m − 1
son las probabilidades para el individuo i de escoger j.

Así yij = 1 si el individuo escoje la categoría j y yij = 0 en otro caso. De esta manera,
la función de verosimilitud del MNL es la siguiente:
n
Y
L= pyi1i1 · pyi2i2 · · · pyim
im

i=1
transformando en logaritmos, la función tiene la siguiente estructura:
n X
X m
logL = yij · logpij
i=1 j=1

donde i representa al individuo y j la alternativa.

Dado que :
exp(x0i βj )
pij = P j = 1, 2, ....m − 1.
1 + m−1 0
k=1 exp(xi βk )

y también que :
1
pim = Pn−1
1 + k=1 exp(x0i βk )
podemos obtener las siguientes expresiones más simples:
∂pij
= pij (1 − pij ) · xi j, k = 1, 2, ......m − 1
∂βj
∂pij
= −pij · pik · xi
∂βk
∂pim
= −pij · pim · xi
∂βj
Entonces el score viene dado por:
 
Xn X
∂logL  yik yij 
=  · pik (1 − pik ) + (−pij · pik ) xi
∂βk pik pij
i=1 j=1
j6=k
n
X
= (yik − pik )xi = 0
i=1

73
 Pm
después de simplificar y recordando que j=1 yij = 1, las ecuaciones del vector score
pueden escribirse como :
n
X
(yik − pik )xi = 0 k = 1, 2, ....m − 1 (23)
i=1

con una interptretación análoga que el caso del logit simple.

Las ecuaciones (22) son no lineales en βk pues pik es una función no lineal de todos
los β 0 s y en consecuencia se aplican métodos numéricos (i.e. Newton-Raphson). POr su
parte, la matriz de segundas derivadas se obtiene a partir de:
X n
∂ 2 logL
0 =− pik (1 − pik ) · xi x0i
∂βk · ∂βk
i=1

X n
∂ 2 logL
0 = pik pil · xi x0i
∂βk · ∂βl
i=1

La cual es negativa definida lo que asegura una única solución. La estimación de ésta
puede realizarse según los métodos ya vistos donde el estimador BHHH es un a alter-
nativa sencilla.

Finalmente, para la iteración de las rutinas para encontrar los valores óptimos a partir
del score se pueden considerar como valores iniciales para obtener los β 0 s aquellos re-
sultantes de los modelos logit simples para cada alternativa j ó bien los coeficientes de
una función discriminante.

Conditional Logit Model Como se advirtió, este modelo desarrollado por McFad-
den (1976) considera ciertas características de las opciones (vista por los individuos)
como los determinantes de la probabilidades asociadas a cada elección, mas que las
características de los individuos en sí.

Revisemos un ejemplo -Boskin (1976) que nos ayude a ilustrar este modelo. Supon-
ga que existen m distintos trabajos cada uno caracterizado por tres variables (i) valor
presente de ganancias potenciales, (ii) costos de entrenamiento sobre ganancias netas y
(iii) valor presente del tiempo en desempleo.

Sea yij : vector de valores de estas características para la ocupación j percibida por
el individuo i.

Así, la probabilidad para el individuo i de escoger la alternativa j viene dado por

la siguiente expresión :
exp(β 0 yij )
pij = Pm 0
(24)
i=1 exp(β yij )

74
Notar que en el caso del MNL (ecuación 21), los pj tienen diferentes vectores de coefi-
ciente βj . En cambio, en el conditional logit (ecuación 23) el vector β entrega el vector
de precios implícitos para las características. 9 .

Uno de los mejores usos de (23) es la de predecir la probabilidad que un individuo

decida por una alternativa en particular (tipo de trabajo), para la cual tenemos el vec-
tor de características de las alternativas yij .

Para el ejemplo anterior, un MNL modela la probabilidad de que un individuo con

características xi escoja el tipo de profesión i con i = 1, ....m, de la siguiente forma:

exp(αj0 xi )
pij = Pm 0 (25)
k=1 exp(αk xi )

Cabe señalar que en (23) el número de parámetros a estimar es igual al número de

características de las ocupaciones (alternativas). Pero en (24) el número de parámetros
a estimar es igual al número de características individuales multiplicadas por m − 1
donde m es el número de alternativas. Así, en (25) dado un nuevo individuo, podemos
predecir la probabilidad que escoja una de las m.

Por supuesto que uno puede combinar ambas cosas y escribir (23) y (24) como:

exp(β 0 yij + αj xi )
pij = Pm 0 0
k=1 exp(β yij + αk xi

donde la probabilidad de escoger la alternativa j por el individuo i depende de las

características del decisor xi y de las características de la alternativa j percibidas por
el individuo i, a saber yij .

9
aunque se necesita un tipo de normalización por ejemplo que el primer elemento de β sea igual a 1

75
 Tabla 2.3. Relative weights of occupational characteristic in the conditional logit decision model.
Population group
Variable White males Black males White females Black females
Present value of 1.084 0.072 0.875 0.378
potential earnings (0.075)a (0.013) (0.076) (0.132)
Training cost/net -0.001 -0.010 -0.005 -0.012
worth (0.001) (0.001) (0.002) (0.002)
Present value of -0.051 -4.35 -18.74 -20.78
time unemployment (0.090) (0.57) (1.61) (1.82)
a
Figures in parentheses are asymptotic standard errors
Source: Boskin (1974, Table 3, p.395)

Tabla 2.4. Probability of being in each occupation given average education and experience in 1970.
Occupation
Race-sex combination Menial Blue collar Craft White collar Professional
Black female 0.396 0.188 0.011 0.219 0.187
Black male 0.222 0.368 0.136 0.073 0.202
White female 0.153 0.146 0.018 0.492 0.192
White male 0.089 0.296 0.232 0.169 0.214

comparación entre grupos en 2.3 es una forma relativa β0 /β1

para tabla 2.4 (cálculo de probabilidades) es el vector xi incluyó: educación, ex-

periencia, raza y sexo.

Veamos otro ejemplo de un modelo conditional logit.10 Hensher (1986) estima un mod-
elo de elección de viajes urbanos para una muestra de Sydney. Las cuatros elecciones
eran: auto/conductor (C/D), auto/pasajero (C/P), tren y bus. Para el modelo básico,
los atributos eran (1) constante especifica de C/D, (2) una constante especifica de C/P,
(3) una constante especifica de tren, (4) tiempo de viaje, (5) tiempo de espera, (6)
tiempo caminando, (7) costos de viaje, (8) costos de estacionamiento, (9) número de
vehiculos requeridos para la familia y (10) porcentaje de los gastos de transporte cubier-
tos por fuentes que no sean de la familia. La muestra consistió en 1455 observaciones.
Un resumen de los datos se presenta en la siguiente tabla.

Resumen Estadísticas
In-Vehicle In-Vehicle Walk Wait Number
Cost (dol) Time (min) Time (min) Time (min) Choosing
C/D 64.56 28.65 0.76 0.15 953
C/P 4.37 28.32 0.71 2.89 78
Train 98.23 43.84 10.50 8.37 279
Bus 81.61 38.15 7.47 7.11 145

Las es estimaciones de los parámetros asociados a cada alternativa se presentan en la

siguiente tabla :

10
ver ejemplo 19.16 Greene

76
 Parámetros estimados (t values entre paréntesis)
(1) 0.8973 (4.86) (2) -2.2154 (-10.36)
(3) 1.3286 (9.10) (4) -0.0227 (-4.7)
(5) -0.1336 (-6.68) (6) -0.0672 (-5.44)
(7) -0.0063 (-5.03) (8) -0.0086 (-5.05)
(9) 0.4524 (1.83) (10) -0.0119 (3.71)
Log likelihood para β=0, = -2017.1
Log likelihood at convergence=-598.2

A partir de la información anterior se pueden determinar las probabilidades asociadas

a la elección de cada alternativa junto a la predicción sobre la cantidad de personas que
las escojen.
Probabilidades predichas y frecuencias
C/D C/P Train Bus
Probability 0.88625 0.03799 0.01390 0.06186
Predicted N 1290 55 20 90
Actual N 953 78 279 145

Nota Precuatoria: Independencia de alternativas irrelevantes:

Se había señalado que en el multinomial logit y en el conditional logit los coeficientes de

las probabilidades eran independientes del resto de las alternativas. Esta característica
se conoce como la propiedad de independencia de alternativas irrelevantes.

En el ejemplo anterior, a la luz de los resultados presentados en la última tabla, pode-

mos concluir que existen C/D 0,89
bus = 0,06 ∼ 14,8 a 1 mayores probabilidades de manejar un
auto propio en vez de tomar el bus.

Ahora bien, si la mitad de los autos que existen en el país son nacionales (o azules)
entonces el cociente de probabilidades de ir a trabajar manejando en auto nacional o
ir en bus es ahora 7.4 a1. Ello, ya que la relación de 14 a 1 se mantiene, erróneamente
podría asignarse el otro 7.4 al tren o como pasajeros en un auto.

Dicho de otro modo, si la utilidad relativa de viajar en auto versus viajar en bus es
alta, no necesariamente implica que la utilidad relativa de viajar en tren versus viajar
en bus será alta también. Pero si dicha utilidad es alta entre un auto rojo versus bus
aumenta la probabilidad que viajar en auto azul sea relativamente mas preferible a vi-
ajar en bus.

De esta manera podemos notar que en el MNL se asume que la elección entre dos
alternativas es independiente de las alternativas restantes. Específicamente se asume
que los términos de error en la ecuación de elección subyacente son independientes en-
tre sí.

En general, la exclusión de variables irrelevantes genera ineficiencia pero no inconsis-

tencia. La hipótesis de independencia es consecuencia de la hipótesis inicial de que las
perturbaciones son independientes y homocedásticas.

77
Hausman y McFadden (1984) indican que si un subconjunto de alternativas posibles
es verdaderamente irrelevante, omitirlo del modelo no llevará cambios sistemáticos en
los estimadores de los parámetros. Si son relevantes y dejarlos fuera, entonces serán
inconsistentes los estimadores obtenidos mediante el MNL.

Siguiendo el espíritu de las pruebas de Hausman, se define el siguiente estadístico :

χ2 = (βbs − βbf )0 [Vbs − Vbf ]−1 (βbs − βbf ) ∼ χ2[k]

donde :
s: conjunto restringuido.
f : conjunto de todas las alternativas posibles.
k: rango de la matriz [Vbs − Vbf ]

Si no se puede rechazar la hipótesis de independencia de las alternativas irrelevantes,

será necesario utilizar un modelo alternativo al logit multinomial ya que este último
será inconsistente. Existen a lo menos dos formas de resolver este problema. Una forma
es mediante un Probit Multivariado y la otra, es mediante la utilización de un Logit
Anidado (Nested Logit). Veamos cada uno de ellos.

Logit Anidado

El principio subyacente a este enfoque es modelar, de ser posible, la decisión entre

las alternativas como siguiendo un proceso de etapas consecutivas. Bajo este esquema,
se agrupan las alternativas en subgrupos permitiendo que la varianza sea diferente en
cada grupo, relajando así el supuesto de homocedasticidad del logit condicional, pero
manteniendo la hipótesis de independencia de alternativas irrelevantes dentro de cada
grupo. El modelamiento implica que el decisor puede escoger entre L subgrupos y luego
escoger entre una de las alternativas dentro del grupo, generándose una estructura de
árbol.

Elección

Rama 1 Rama 2

C1/1 C2/1 C1/2 C2/2

Cabe señalar que este modelo surge, generalmente, como modificación de la especifi-
cación estocástica del modelo logit condicional y no necesariamente como un modelo de
comportamiento.

78
Supongamos que también los datos están formados por observaciones con atributos
de las alternativas yj|l y atributos de los conjuntos alternativos zl con l = 1, ....L

Así:
0 0
eβ yj|l +γ zl
P [subramaj , ramal ] = pjl = PL Pj β 0 yj|l +γ 0 zl
j=1 e
l
l=1

la cual puede ser escrita como pjl = pj|l · pl donde

0
eβ yj|l
pj|l = Pj β 0 yj|l
j=1 e
l

y
0
eγ zl +τl Il
pl = PL
γ 0 zl +τl Il
l=1 e
P l β0y
donde Il = log jj=1 e j|l valor inclusivo de la l-esima rama y donde si τl = 1, entonces
se recupera el modelo original.

La estimación de un modelo logit anidado puede ser realizada por dos métodos al-
ternativamente. En el primero de ellos, se estiman los β considerando la elección dentro
de cada rama como un modelo logit condicional sencillo. Así se calculan los valores
inclusivos de todas las ramas del modelo. Y luego, se estima γ y todos los parámetros
τ considerando la elección entre ramas como un modelo logit condicional con atributos
zl y Il . Este método se conoce como máxima verosimilitud con información incompleta
(LIML).

La otra forma es utilizando toda la información disponible (FIML) donde la función

de verosimilitud viene dada por:
n
X
logL = log[P (subrama|rama) · P (rama)]i
i=1

siendo esta última más eficiente que la estimación en dos etapas con Información Limi-
tada.

Veamos un ejemplo de aplicación de Logit Anidado. Hesher y Greene (1995) reportan

estimaciones de un modelo de elección de modos de viaje entre Sydney y Melbourne,
Australia. La base de datos contiene 75 observaciones sobre la elección de cuatro alter-
nativas: Aire, Tren, Bus y Auto. Los atributos usados para este ejemplo son constantes
especificas de las elecciones y dos medidas continuas: CG, una medida de el costo gen-
eralizado del viaje y TTIME, tiempo de viaje. Además se utiliza el ingreso del hogar,

79
HINC.

Se estima un modelo logit anidado con dos ramas: FLY=(aire) y GROUND=(tren,

bus, auto). Notar que una de las ramas tiene solo una elección, entonces la probabil-
idad condicional pj|f ly = paire|f ly = 1. El modelo se estima por FIML y LIML como
así también con unn conditional logit con cuatro alternativas a modo comparativo. Los
resultados encontrados se presentan en la siguiente tabla :
Nested Logit Models (Standard Errors in Perenthesis)
FIML estimates Unconditional LIML estimates
βtrain 3.8895 (0.52374) 3.6630 (0.70882) 3.5029 (1.0511)
βbus 1.0133 (1.5734) 0.84625 (0.97896) -0.03645 (1.4389)
βgcost -0.0233 (0.01026) -0.01968 (0.007572) -0.07256 (0.02121)
βttime -0.066356 (0.01337) -0.06093 (0.015472) -0.02071 (0.02723)
γair 3.8826 (0.1104) 3.3869 (1.1503) -1.8367 (0.7478)
γhinc 0.02164 (0.01521) 0.02308 (0.01539) 0.03023 (0.01379)
τ 0.7758 (0.24159) 1.0000 (0.0000) 0.05578 (0.11453)
logL -65.40806 -65.73624 -
logL0 -82.68496

Como se mencionó, el LIML se estima en dos etapas. Hay dos pruebas acerca del
anidamiento. El LR entre las dos formas de estimación -2(65.73-65.41)=0.65 resulta
ser bastante m,enor que el χ2 crítico de 3.84. Y la segunda prueba basada en un test
2
de Wald del FIML con χ2 = (0,7758−1)
(0,24159)2
= 0,861 entregando la misma conclusión.

Multinomial Probit:

Una solución alternativa al problema de la independencia de alternativa irrelevantes

es estimar un MP en el cual las alternativas irrelevantes son generadas por una dis-
tribución normal multivariada interdependiente conjunta.

Veamos el caso de tres alternativas:

Y1∗ = V1 + ²1
Y2∗ = V2 + ²2
Y3∗ = V3 + ²3

con Vj vector de atributos de la variable j.

Asuma que los residuos (²1 , ²2 , ²3 ) tiene una distribución trivariada normal con me-
dia cero y matriz de covarianzas Σ.
 2 2 2

σ11 σ12 σ13
Σ = σ12 2 2
σ22 2 
σ23
2
σ13 σ232 2
σ33

Considere que la probabilidad que la primera alternativa sea escogida:

P (Y1∗ > Y2∗ , Y1∗ > Y3∗ ) = P (²2 − ²1 < V1 − V2 , ²3 − ²1 < V1 − V3 )

80
si η21 = ²2 − ²1 , η31 = ²3 − ²1 , V12 = V1 − V2 y V13 = V1 − V3 .

Entonces η21 y η31 tiene una distribución normal bivariada con matriz de varianza
y covarianza:
· ¸
σ 2 + σ22 − 2σ12 σ12 − σ13 − σ12 + σ23
Ω= 2 1
σ1 − σ13 − σ12 + σ23 σ12 + σ32 − 2σ13
Así la probabilidad de que la alternativa 1 sea escogida viene dada por:
Z V12 Z V13
P1 = f (η21 η31 ) · dη21 dη31
−∞ −∞

donde f (η21 η31 ) tiene una distribución normal bivariada con matriz de covarianza igual
a Ω y media cero.

Para el caso de cuatro (4) alternativas terminaríamos con la evaluación de integrales

triples (tres variables).

Resumen

El siguiente cuadro nos permite contextualizar la discusión de los modelos que hemos
analizados hasta ahora y los que aún nos quedan por analizar.

Probit
Logit
Dicotómica
Lineal
variable No y semiparamétrico
discreta
multinomial logit
no ordenada
conditional logit
Policotómica ordenada ordered probit
secuencial

En el siguiente box se resumen algunas propiedades ya discutidas para modelos de mul-

tiples alternativas no ordenadas.

No ordenado:

Multinomial Logit: probabilidades de escoger alternativa j dependen de las caracterís-

ticas del individuo i. Interés en estimar la probabilidad de que el individuo i escoja la al-
ternativa j: Yij = 1 si i escoge j (j=1, 2, ....m). Denotaremos πij = E(Yi j)=probabilidad

81
 P
que i escoja j con j πij = 1.

MNL:
e(αj +βj xi )
E(yij = 1) = πij = Pm (α +β x )
j=1 e
j j i

Theil Normalization ⇒ α1 = β1 = 0 notar que e0 = 1 permite una interpretación con-

veniente de los datos.

MNL(τN ):
1
E(yi1 ) = πi1 = Pm (αj +βj xi )
1+ j=2 e

e(α2 +β2 xi )
E(yi2 ) = πi2 = Pm (α +β x )
1 + j=2 e j j i

..
.

esta normalización permite expresar la probabilidad relativa de observar el resultado

j=2 en contraposición a j=1.
πi2
= exp(α2 + β2 · xi )
πi1
o bien:
³π ´
i2
log = α2 + β2 · xi
πi1
mas general
³π ´
ij
log = x0i (βj − βn )
πin
Conditional Logit Model: incorpora a la probabilidad de escoger j por el individuo
i, las características de la opinión j junto a las características de i.
e(αj +βj xi +γzj )
E(yij ) = πij = Pm (α +β x +γz ) (26)
j=1 e
j j i j

Efectos Marginales en MNL y CLM:

MNL:
" K
#
∂πj X
= πj βj − πk βk
∂xk
k=0
£ ¤
= πj βj − β

82
donde K: # de variables independientes y con πj la probabilidad predicha de obtener
la escojencia de la alternativa j evaluada en la media del vector x. Nota: puede suceder
∂π
que ∂xkj no tenga el mismo signo que βk .

CLM:
∂πj ∂πj
= πj (1 − πj ) · βe y = −πj · πk · βe
∂zj ∂zk

donde βe es el vector de coeficientes estimados de (26).

Nested Logit: otra forma de salir al paso ante la situación de rechazo de la hipótesis
de independencia de las alternativas irrelevantes.

Aquí "desarmábamos"la elección en varias ramas y asumíamos que existía indepen-

dencia al interior de cada rama o grupos pero no necesariamente entre grupos (ramas).
Aquí los datos están conformados por observaciones con atributos de las alternativas
xj/l y atributos de los conjuntos de alternativas zl
0 0
eβ xj/l +γ zl
P [subramaj , ramal ] = Pjl = PL PJ β 0 xj/l +γ 0 zl
j=1 e
i
l=1

que para la estimación se utiliza la propiedad de que Pjl = Pj/l · Pl .

Vimos los métodos de LIML y FIML para estiamr dichas probabilidades.

3.2.2. Modelos para alternativas múltiples ordenadas

A diferencia de los casos estudiados hasta el momento, en esta sección consideraremos
situaciones donde existe un orden natural entre las alternativas. Asumiremos que existe
una variable latente :

yi∗ = x0i β + ²i

donde la variable observada indica en cual intervalo o categoría cae la variable y ∗ no

observada por el econometrista. Una forma de esquematizar el valor de la variable
observada es la siguiente :


 1 si y ∗ < µ1 ;
 2 si µi ≤ y ∗ < µ


 1 i 2
..
yi = .



 J si µj−1 ≤ yi∗ µ1 < µ2 < . . . µj−1

 | {z }
umbrales

el algebra se simplifica bastante si se considera que:

µ0 = −∞ ∧ µj = +∞

83
Así, la variable dependiente observada puede ser definida de la siguiente forma :

yi = j si µj−1 ≤ yi∗ < µj j : 1...J

Para estos casos, se utiliza un modelo denominado Probit Ordenado para estimar esta
ecuación donde se asume que los errores se distribuyen:

²i ∼ N (0, σ 2 )

los que no son observables y luego deben ser estimados; es decir, son parámetros del
modelo.

Dado que los umbrales µ0 s y los valores de y ∗ no son observados, la escala y origen
de y ∗ son arbitrarios. Así, podemos llevar a cabo la siguiente normalización: σ=1 y
µ1 =0.

DE esta manera, tenemos :

P [yi = j] = P [µj−1 ≤ yi∗ < µj ]

£ ¤
= P µj−1 − x0i β ≤ ²i < µj − x0i β
= Φ(µj − x0i β) − Φ(µj − x0i β)

es decir,

P [yi = 1] = Φ(−x0i β) = 1 − Φ(x0i β)

P [yi = 2] = Φ(µ2 − x0i β) − Φ(−x0i β)

..
.

P [yi = J] = 1 − Φ(µj−1 − x0i β)

Como en el caso de los modelos no ordenados, podemos definir arbitrariamente:

½
1 si yi = j;
yij =
0 si ∼

Entonces el log-likelihood de la muestra viene dado por:

n X
X J
£ ¤
logL = yij · log Φ(µj − x0i β) − Φ(µj−1 − x0i β)
i=1 j=1

Las condiciones de primer orden son entonces:

n J
∂logL X X φ(µj−1 − x0i β) − φ(µj − x0i β)
= yij ·
∂β Φ(µj − x0i β) − Φ(µj−1 − x0i β)
i=1 j=1

84
y también :
n J
∂logL X X 1(j = k) · φ(µj − x0i β) − 1(j − 1 = k) · φ(µj−1 − x0i β)
= yij ·
∂µk Φ(µj − x0i β) − Φ(µj−1 − x0i β)
i=1 j=1

Para el caso de las segundas derivadas, ver Maddala 1986:49 donde se demuestra que el
Hessiano es negativo definido, y por lo tanto, el método de iteración usado (i.e. Newton-
Raphson) convergerá al máximo global del log-likelihood.

Cabe señalar que la función de verosimilitud se debe maximizar con respecto a (β,
µ2 , µ3 , . . ., µJ−1 ) es decir hay k + J − 2 parámetros por estimar.

Los efectos marginales del modelo probit ordenado son los siguientes:
∂P [yi = j] £ ¤
= φ(µj−1 − x0i β) − φ(µj − x0i β) · β
∂xi
∂P [yi = 1]
= −φ(x0i β) · β
∂xi
∂P [yi = J]
= φ(µj−1 − x0i β) · β
∂xi
donde los dos últimos casos son aquellos en el extremo de la distribución. Si se asume
que el β obtenido es positivo entonces el signo de estar derivadas será negativo para el
primer umbral y positivo para el último. Para aquellas categorías o alternativas en el
centro, el efecto es ambiguo. Veamos lo que ocurre gráficamente para el caso de tener
tres alternativas ordenadas (i.e. dos umbrales).11

f(e)

y=0 y=1 y=2

-x'beta u1-x'beta e

11
aunque con la normalización sólo queda un solo umbral por estimar.

85
 P [y = 0] = 1 − Φ(x0 β)
P [y = 1] = Φ(µ1 − x0 β) − Φ(−x0 β)
P [y = 2] = 1 − Φ(µ1 − x0 β)

El siguiente gráfico ilustra los efectos marginales asociados al cambio en una de las
variables independientes xi .

f(e)

Del gráfico anterior se observa que al aumentar una de las x manteniendo constante los
β y µ equivale a desplazar la distribución hacia la derecha. Si el β asociado a esta x es
positivo, entonces inequivocamente P (y = 0) tendrá menos masa y P (y = 2) aumen-
tará, no obstante en el medio el efecto no es concluyente ∂P∂x
(y=1) ≥
i < 0.

El siguiente ejemplo muestra una aplicación de un modelo de probit ordenado. Marcus

y Greene (1985) estimaron un modelo probit ordenado para estudiar como la armada
estadounidense asigna empleos entre sus reclutas. La armada intenta colocar a cada
recluta en el puesto de trabajo en el que vaya a resultar más productivo. Los empleo se
dividen en tres grupos genéricos: "de especialización media", de "especialización alta 2

de "especialización alta con conocimiento de energía nuclear".

Puesto que la asignación se hace tanto de factores específicos de los individuos como de
las propias necesidades y criterios de la armada, se utilizo un modelo probit ordenado
con las siguientes variables explicativas: (1) FP=variable binaria que indica si el recluta
ha obtenido previamente algún diploma en un instituto de formación profesional o no;
(2) EM=nivel educativo de la madre del recluta; (3) EX=calificación obtenida en un ex-
amen de ingreso; (4) AE=años de educación del recluta; (5) CAS=variable binaria que

86
indica si el individuo estaba casado o no en el momento que se alistó; (6) EDAD=edad
del recluta en el momento que se alistó. La muestra obtenida fue de 5.641 observaciones.
La siguiente tabla muestra los resultados obtenidos.
Estimación de la ecuación de asignación de empleos
Variable Estimador Estadístico La variable
Constante -4.34 - -
FP 0.057 1.7 0.66
EM 0.007 0.8 12.1
EX 0.039 39.9 71.2
AE 0.190 8.7 12.1
CAS -0.48 -9.0 0.08
EDAD 0.0015 0.1 18.8
µ 1.79 80.8 -

Es lógico el enorme valor del estadistico t asociado a la variable EX, pues la Armada
tiene muy en cuenta el resultado de este examen cuando asigna un puesto de trabajo.
Por otra parte, si se quieren obtener los efectos marginales de las variables continuas,
es necesario evaluar la densidad normal estándar en −β 0 x=-0.8479 y en µ − β 0 x=0.9421.

De esta manera odemos obtener las probabilidades estimadas, las que son Φ(0,8479) =
0,198, Φ(0,9421)−Φ(−0,8479)=0.628 y 1-Φ(0,9421)=0.173. Por su parte, las frecuencias
relativas observadas eran: 0.25, 0.52 y 0.23. Las dos densidades son φ(−0,8479)=0.278
y φ(0,9421)=0.255. Por lo tanto, las derivadas con respecto a las tres probabilidades
con respecto a la variable EX, por ejemplo, son:
∂P0
= (−0,278)0,039 = −0,01084
∂EX
∂P1
= (0,278 − 0,255)0,039 = 0,0009
∂EX
∂P2
= (0,255)0,039 = 0,00995
∂EX
Obsérvese que la suma de los efectos marginales es cero, lo que es consecuencia de que la
suma de las probabilidades sea igual a 1. Este enfoque no resulta apropiado para evaluar
el efecto de una variable binaria. Podemos analizar el efecto de estas comparando las
probabilidades que se obtienen cuando la variable binaria se evalúa es cada uno de sus
dos valores posibles y las demás variables se evalúan en sus medias muestrales.

Por ejemplo, en la siguiente table se entregan los resultados que se obtienen para la
variable CAS.
Efecto marginal de una variable binaria.
−β 0 x b − βb0 x P[y=0] P[y=1] P[y=2]
µ
CAS=0 -0.8863 0.9037 0.187 0.629 0.184
CAS=1 -0.4063 1.3837 0.342 0.574 0.084
cambio 0.155 -0.055 -0.100

87
Test de Diagnostico para Modelos Probit Ordenados:

El modelo de variable dependiente latente, yi∗ , puede ser especificado como:

yi∗ = x0 β + εi εi ∼ N (0, 1)

La información observada nos da J intervalos en los cuales yi∗ puede caer:

yi = j si θj−1 < yi∗ < θj j = 1, . . . , J

donde θ0 = −∞ and θj = ∞. Para los datos de 1980 que son usados J=3, y para 1984
J=5. Dado que el vector x contiene una constante, el conjunto completo de θ no esta
identificado. La normalización θ1 = 0 es adoptada. La log-likehood esta dada por:
J X
X £ ¤
logL = log Φ(θj − x0i β) − Φ(θj−1 − x0i β)
j=1 yi =j

Este modelo difiere del modelo de variable dependiente(GDV) en grupos considerado

por Stewart (1983) en donde θj eran parámetros a estimar y no conocidos y constantes.
El test score de GDV fue derivado por Chester y Irish (1987).
Los errores generalizados para este modelo están dados por:
φ(j−1)i − φji
E(yi∗ − x0i β/yi = j, xi ) =
Φji − Φ(j−1)i

donde φji = φ(wij ) y wij = θj − x0i β. Entonces los residuos generalizados o primer
momento de los residuos están dados por:

(1) φb(j−1)i − φbij

ebi =
b ij − Φ
Φ b (j−1)i

donde (b) denota que el parámetros desconocido ha sido reemplazado por su estimación
MLE.

La "threshold score contribution"esta dad por:

 φji
 Φji −Φ(j−1)i si yi = j;

ηij = φji
 si yi = j + 1
 Φji −Φ(j−1)i
0 ∼
para j=1, ....2.

Momentos condicionales de orden mayor para la variable latente pueden ser especifi-
cados en término de las funciones definidas por Stewart (1983) como:
τ
w(j−1)i τ φ
φ(j−1)i − wji ji
Mτ i =
Φji − Φ(j−1)i

88
Los primeros cuatro momentos residuales son definidos como:
(1)
êi = M̂0i
(2)
êi = M̂1i
(3) (1)
êi = 2êi + M̂2i
(4) (2)
êi = 3êi + M̂3i

El estadístico del test score reportado en este paper toman la forma de:

ξ = 10 F (F 0 F )−1 F 0 1

donde 1 es un vector de unos de dimensión n y F una matriz de orden n, cada fila

contiene la contribución del score de todos los parámetros del modelo. ξ es simplemente
n veces el R2 de una regresión de 1 sobre las columnas de F.

Test estadísticos:

Variable explicativas omitidas: El modelo general se asumen que es:

yi∗ = x0i β + qi0 α + εi

donde q es de dimensión q y no incluye la constante. Un test score es construido para

la hipótesis nula de que α=0, el test estadístico es de la forma ξ de arriba, donde las
filas de F están dadas por:
(1) (1)
Fi = (êi xi , . . . , η̂(J−1)i , êi qi )

Bajo la hipótesis nula ξ se distribuye como χ2(k) .

Forma seudo-funcional: forma modificada del test RESET (Ramsey), construido co-
mo un caso particular del test previo donde qi contienen potencias de ŷi∗ = x0i β

Heterocedasticidad:

la varianza de ε se asume de la siguiente forma:

σi2 = 1 + q/α

las filas de F para el test score de que α=0 son:

(1) (2)
Fi = (êi xi , η̂2i . . . , η̂(J−1)i , êi qi )

bajo la hipótesis nula ξ se distribuye como χ2(k)

Normalidad:

89
Las filas de F en el test usual χ2(2) para asimetría y/o Kurtosis están dadas por:

(1) (3) (4)

Fi = (êi xi , η̂2i . . . , η̂(J−1)i , êi , êi )

Heterogeneidad en los umbrales: bajo la hipótesis alternativa, los umbrales pueden vari-
ar sistemáticamente sobre las observaciones.

θij = θej + q/αj

y el test score puede ser construido para la nula de que αj = 0, j=1, 2,.....,J-1. Las filas
de F en este caso estarán dadas por:
(1)
Fi = (êi xi , η̂2i . . . , η̂(J−1)i , η̂2i qi , . . . , η̂(J−1)i qi )

Bajo la hipótesis nula ξ se distribuye como χ2k(J−2)

90
4. Tópicos Especiales con Variable Dependiente Binaria
En este corto capítulo revisaremos dos aspectos adicionales de modelos de elección
binaria. Uno de ellos es el conocido análisis discriminante y el otro el modelamiento
mediante datos de panel de variables binarias. Si bien los aspectos de datos de panel
serán abordados en un capítulo separado, se asume sólo un conocimiento básico de este
tema.

4.1. Análisis Discriminante

El problema que se trata de modelar en esta situación es el de clasificar un individuo
en una de las dos poblaciones posibles π1 π2 basada en un vector de características X =
(x1 , x2 , ...., xk ). De esta forma, se utiliza una combinación lineal de las observaciones:

y = λ1 · x1 + λ2 · x2 + . . . λk · xk

donde y es una variable binaria que representa si el individuo pertenece a un grupo en

particular. El objetivo entonces será escoger los coeficientes, de tal manera de maximizar:

[λ0 (µ1 − µ2 )]2

φ=
λ0 Σλ
donde µ1 y µ2 son la media del vector X en ambos grupos y donde Σ es la matriz de
varianzas y covarianzas en cada grupo, la cual se asume igual para ambos.

λ = Σ−1 (µ1 − µ2 )

Si los parámetros poblacionales no son conocidos, como generalmente ocurre, los parámet-
ros pueden ser estimados de la siguiente manera :

λ̂ = S −1 (X 1 − X 2 )

con
" #
1 X X
S= (X1i − X 1 )(X1i − X 1 )0 + (X2i − X 2 )(X2i − X 2 )0
n1 + n2 − 2
i i

donde X 1 y X 2 son las medias muestrales de cada grupo respectivamente.

Probabilidades previas y costos por clasificación errónea:

Sea p1 la proporción del grupo π1 y p2 la proporción del grupo π2 . Sea C1 el costo

de clasificar erróneamente a un miembro de π1 en π2 y C2 el costo de clasificar er-
róneamente a un miembro de π2 en π1 . De esta forma, el costo esperado total CE viene
determinado por la siguiente expresión :
Z Z
CE = C1 · p1 f1 (x)dx + C2 · p2 f2 (x)dx
R1 R2

91
donde R1 y R2 son regiones de tal manera que si la observación muestral cae en esta
región, se clasifica al individuo en el grupo π1 o bien π2 respectivamente. Adicional-
mente, f1 (x), f2 (x) son las densidades de las distribuciones de características X en cada
una de las dos poblaciones.

Dado que:
Z Z
f2 (x)dx + f1 (x)dx = 1
R2 R1

entonces se tiene que el costo esperado total es :

Z
CE = C1 · p1 + [C2 · p2 · f2 (x) − C1 · p1 · f1 (x)] dx
R1

en consecuencia, el costo esperado total C es minimizado si se escoge una región R1 tal

que se cumpla lo siguiente :
C2 · p2 · f2 (x) < C1 · p1 · f1 (x) (27)
o bien
f2 (x) C2 · p2
> (28)
f1 (x) C1 · p1
Ahora si X se distribuye normal con media µ1 y µ2 y covarianza Σ, la misma para
ambas poblaciones, entonces se tiene que :
· ¸
−n/2 1/2 1 0 −1
fi (x) = (2π) |Σ| exp − (x − µ1 ) Σ (x − µ2 )
2
y en consecuencia:
 
f1 (x)  1 
= exp (x − µ1 )0 Σ−1 x − (µ1 − µ2 )0 Σ−1 (µ1 + µ2 ) (29)
f2 (x) | {z } 2| {z }
f (x) constante

y así, la condición sobre R1 para que C sea minimizada queda determinada de la sigu-
iente forma :
C2 · p2 1 0
λ0 x > ln + λ (µ1 + µ2 )
C1 · p1 2
ahora si Σ1 6= Σ2 , entonces la expresión anterior tiene la siguiente forma :
f1 (x) 1
ln = − x0 (Σ−1 −1 0 −1 −1
1 − Σ2 )x + x (Σ1 µ1 − Σ2 µ2 ) + constante (30)
f2 (x) 2
la que es una función discriminante cuadrática en X la cual se reemplazo en (27).

Datos no normales y discriminación logística:

El modelo discriminación lineal que hemos revisado descansa en los siguientes supuestos:

92
 tanto f1 (x) como f2 (x) son normales multivariadas.

las matrices de covarianzas (Σ1 = Σ2 ) son iguales.

las probabilidades p1 y p2 son conocidas de antemano.

las medias µ1 , µ2 y σ son conocidas.

Pero si sustituimos por los valores muestrales, los dos últimos supuestos están resueltos.
Si usamos la ecuación (28) entonces el segundo supuesto también está resuelto. Veamos
que hacemos con el primer supuesto:

Por Bayes, sabemos que :

P (x|πi ) · pi
P (πi |x) = i = 1, 2
P (x|π1 ) · p1 + P (x|π2 ) · p2

Si P (x|πi ) es normal multivariada con media µi y matriz de covarianzas Σ entonces se

tiene que :

P (π1 |x) P (π1 |x) · p1

= = exp(α + β 0 x) (31)
P (π2 |x) P (π2 |x) · p2
con
p1 1
α = log − (µ1 − µ2 )0 Σ−1 (µ1 + µ2 ) (32)
p2 2
β = Σ−1 (µ1 − µ2 )

lo que se obtiene de (29). De esta manera reemplazando en (31) se tiene que :

exp(α + β 0 x)
P (π1 |x) =
1 + exp(α + β 0 x)

1
P (π2 |x) =
1 + exp(α + β 0 x)

donde el modelo representado en la ecuación (29) se conoce como modelo logístico, dis-
tinto de modelo logit).

Estimación:

Sea :

yi = 1 si xi ∈ π1
yi = 0 si xi ∈ π2

93
entonces la función de verosimilitud vienen dada por la siguiente expresión :
Y exp(α + β 0 x) Y 1
L= 0
· (33)
1 + exp(α + β x) 1 + exp(α + β 0 x)
yi =1 yi =0

Diversos autores señalan que si X no proviene de una normal entonces los estimadores
ML de (33) son preferibles a aquellos de una función discriminante λ; más aún si X son
dummies ya que λ̂ no es consistente. Cuando son más de dos grupos los que se analizan,
el modelo es análogo a un logit. Ver Maddala (p. 379) sobre si las muestras de yi = 1 y
yi = 0 son muy diferentes en tamaño, lo que significa un ajuste en la constante.

4.2. Datos de Panel con Variable Discreta Binaria

Como se mencionó, si bien los temas de datos de panel serán revisados mas adelante,
aquí analizaremos someramente la estimación de este tipo de estructura de datos cuan-
do la variable dependiente es binaria. Partamos con un ejemplo presentado en Heckman
y Willis (1977) denominado : Participación secuencial de mujeres en el mercado del
trabajo.

Sea yit = 1 si la persona i trabaja en el tiempo t e yit =0 en otra situación. Por otra
parte, se define xit como el vector de características observadas de quien decide partic-
ipar en el mercado laboral o no.

De esta manera, se puede determinar P (yit = 1) = F (x0it β) con i = 1, 2, ...n para

un t fijo como la probabilidad que el individuo i decida participar. Como puede notarse,
aquí solo se especifica una probabilidad marginal para un t fijo y por tanto, se necesita
especificar la probabilidad conjunta P(yi1 , yi2 ,...yiT ) con el fin de dar cuenta de toda la
historia temporal de decisiones del individuo.

La forma más simple de especificar la probabilidad conjunta es asumir independencia

entre las decisiones. De esta manera, la probabilidad conjunta de observar la historia
de decisiones viene dada por la siguiente expresión :
T
Y
P (yi1 , yi2 , ....., yiT ) = P (yit )
t=1

lo que representa un modelo de elección discreta igual a los ya estudiado, con la única
diferencia que tenemos N · T observaciones.

Cabe señalar que el supuesto de independencia implica lo siguiente :

P (yit = 1|yit−1 = 1) = P (yit = 1)

o sea, una vez que obtenemos xit el que la señora halla trabajado o no en el periodo
anterior no nos dará ninguna información acerca de la situación de hoy; poco sostenible

94
empíricamente!!.

Existen a lo menos dos situaciones de porqué P (yit = 1|yit−1 = 1) 6= P (yit = 1),

es decir que no sea creíble el supuesto de independencia:

Heterogeneidad: existen variables no observadas para el econometrista las que

pueden afectar a las personas en forma diferente con respecto a tendencia a tra-
bajar.

Dependencia entre estados: para cada persona, el estado presente influye en el

estado futuro. Siguiendo la idea de cadenas de Markov.

Veamos cada una en forma separada.

4.2.1. Heterogeneidad
Para atacar el problema de la heterogeneidad no observable, supongamos el siguiente
modelo :
i = 1, . . . , n
P (yit = 1|ui ) = F (x0it β + ui ) (34)
t = 1, . . . , T
asumiendo que los {yit } son serialmente independientes (sobre t) condicionales a ui ,
entonces se tiene que (descartando el subindice i):
£ ¤
E F (x0t β + u) · F (x0t−1 β + u) £ ¤
P (yt = 1|yt−1 ) − P (yt = 1) = £ 0
¤ − E F (x0t β + u)
E F (xt−1 β + u)
£ ¤
COV F (x0t β + u), F (x0t−1 β + u)
= £ ¤
E F (x0t−1 β + u)

De esta manera, la probabilidad conjunta de {yit } con t = 1, 2, ...T viene dada por la
siguiente expresión :
(T )
Y £ ¤1−yit
P (yi1 , yi2 , ...yiT ) = Eui F (x0it β + ui )yit 1 − F (x0it β + ui ) (35)
t=1

donde la función de verosimilitud del modelo es el producto de esta ecuación sobre to-
dos los individuos i = 1, 2, ...n. Para ello se asume que {ui } son i.i.d sobre los individuos.

En general si F = Φ y µ se distribuye normal, el cálculo del valor esperado en (33) es

la única alternativa computacionalmente factible, por ejemplo con n = 1500 y T = 10,
aunque muy demandante de tiempo de computador. Una forma mas simple de expresar
esta esperanza es como el producto y razón de funciones gama (Beta Logistic Model).

En este caso, sea :

i = 1, . . . , n
P (yit = 1|ui ) = ui (36)
t = 1, . . . , T

95
con ui distribuido beta, de la siguiente forma :
Γ(ai + bi ) ai > 0
fi (ui ) = · uai −1 (1 − ui )bi −1 0 ≤ ui ≤ 1
Γ(ai ) · Γ(bi ) i bi > 0
R∞
donde Γ(z) = 0 xz−1 · e−x dx.

Notando que {yit } son serialmente independientes condicionales a ui , y que la inde-

pendencia entre individuos existe, entonces se tiene que (omitiendo el subindice i) :
P (yt = 1, yt−1 = 1) E(u2 )
P (yt = 1|yt−1 = 1) = =
P (yt−1 = 1) E(u)
| {z }
beta

donde
E(u2 )
> E(u)
E(u)
ya que E(u) está definido como P (yt = 1) donde se sabe que V (u) > 0. Heckman y
Willis sugieren que ai = exp(x0i α) y bi = exp(x0i β), donde xi es un vector de caracterís-
ticas de los decisores el que no depende del tiempo para i.

Así reemplazando en (34) se obtiene :

P (yit = 1) = Λ[x0i (α − β)]
ello pues la media de una beta es (a + b)−1 · a. Si solo consideramos probabilidades
marginales, tenemos un modelo logit y en este sentido un modelo beta logístico en una
generalización del modelo logit.

Al maximizar la siguiente expresión :

n Y
Y T
L= Λ[x0i (α − β)]
i=1 t=1

podremos obtener un estimador consistente de α−β. Sin embargo, podemos estimar α y

β consistentemente y también más eficientemente al estimar la función de verosimilitud
completa. Si la persona trabajó si periodos de un total de T entonces la función de
verosimilitud del modelo beta logístico viene dada por :
n
Y £ ¤
L = E usi i (1 − ui )T −si
i=1
n
Y Γ(ai + bi ) Γ(ai + bi ) · Γ(bi + T − si )
= ·
Γ(ai ) · Γ(bi ) Γ(ai + bi + T )
i=1

Pudiendo estimarse entonces α, β en forma más eficiente. Cabe señalar, eso sí, que aún
persiste el problema acerca del supuesto de que los xi son independientes del tiempo.

96
4.2.2. Modelos con Heterogeneidad y dependencia de estado
En esta sección generalizaremos aún mas el modelo anterior incoporando no sólo la
heterogeneidad sino que también la dependencia del estado.

Para ello definiremos la siguiente relación :

i = 1, . . . , n
P (yit = 1|ui ) = F (x0it β + ui ) (37)
t = 1, . . . , T
donde se asume que existe una variable latente no observable la cual determina el
resultado observado para yit mediante la siguiente regla:
½ ∗ > 0;
1 si yit
yit =
0 si ∼

Heckman 1981 sugiere la siguiente especificación para este modelo:

∗
yit = x0it β + γyi,t−1 + vit

donde si existe dependencia de estado entonces γ 6= 0 y si existe heterogeneidad, habría

correlación serial en {vit }. De esta manera el modelo especificado en (35) surge si γ = 0
y además si vit = ui + ²it con {²it } serialmente independientes. Este modelo restringuido
no solo asume que no existe dependencia de estado sino que también asume una forma
especial de heterogeneidad (one factor-model).

Por de pronto se asumirá que que {vit } está serialmente correlacionado pero donde
{yit } se mantiene independiente entre individuos i. La función de verosimilitud por lo
tanto es el producto de las funciones individuales.

Formalmente, ½
1 si γyi,t−1 + x0it β + ui + ²it > 0
yit =
0 si ∼
donde ui ∼ iid(0, σu2 ) y ²it ∼ iid(0, σ²2 ) sobre i y sobre t. Además ui y ²it son indepen-
dientes y para cualquier (t, s), se tiene que xit es independiente de ²is .

Algunos comentarios:

el término γyi,t−1 representa la existencia de dependencia entre estados. Por lo

tanto, siγ >0, se tiene que :

P [yi,t |xi,t , ui , yi,t−1 = 1] > P [yi,t |xi,t , ui , yi,t−1 = 0]

por otra parte, x0it β puede capturar parte de la heterogeneidad. Sin embargo,
aquella heterogeneidad no observada será capturada por ui .

97
 si existe heterogeneidad no-observada, esto es var(ui ) 6= 0 pero no se controla
por ella en la estimación, el estimador de γ estará sesgado hacia arriba. Esto es,
concluiremos que toda la persistencia, una vez que controlamos por xit , se debe
a una "verdadera dependencia entre estadosçuando ello no es cierto. De hecho,
puede que no exista tal dependencia.

Una importante diferencia con el modelo estático es que tenemos una variable
explicativa yi,t−1 la que no es exógena fuerte con respecto a uit . Es una variable
predeterminada: independiente de valores actuales y futuros de u pero dependiente
de valores previos de u.

Identificación de Problemas entre Heterogeneidad v/s Dependencia:

Si tenemos un panel largo, esto es con muchas observaciones por individuo, el prob-
lema de identificación entre heterogeneidad y dependencia sería trivial. El problema
radica en que generalmente este no es el caso.

Por ejemplo, cuál de las siguientes historias de elección puede ser generada por un
modelo verdadero de dependencia entre estados?

A = {0, 0, 0, 1, 1, 1} B = {0, 0, 0, 1, 0, 0}

Historia A: con una verdadera dependencia entre estados esperaríamos encontrar per-
sistencia en los dos estados. Con heterogeneidad esperaríamos encontrar persistencia en
solo un estado.

De esta manera, necesitaríamos a lo menos cuatro observaciones por individuo para

poder identificar estos dos efectos.
{0,0} {0,0,0} {0,1,0}
con T=2 {0,1} con T=3 {0,0,1} {1,0,1}
{1,0} {0,1,0} {1,1,0}
{1,1} {1,0,0} {1,1,1}

98
5. Variable Dependiente Limitada
5.1. Introducción
Dentro del trabajo empírico propiamente tal, existen muchos casos donde debido a
la forma en como recolectamos datos, disponemos de información incompleta acerca de
la conducta de ciertos elementos o unidades de la muestra. Si esta información faltante
fuera sistemática entonces aquellos modelos econométricos que ignoren este hecho po-
drían estar sesgados. Veamos algunos casos donde este fenómeno ocurre.

Truncamiento: en este caso, la muestra está sistemáticamente restringida a solo una

parte de la población. Por ejemplo, una muestra puede solo incluir personas que están
empleadas, o gente sobre una cierta edad. Ahora, el que la truncamiento sea importante
dependerá del tipo de pregunta que el investigador se haga.

Censuramiento (censura): este caso ocurre cuando la variable dependiente, pero

no así las variables independientes, son observadas dentro de un rango restringido. Bajo
esta situación, todas las observaciones de la variable dependiente que están en o bajo
el nivel límite son tratadas como si estuvieran en el nivel limite.

Selección Muestral o Truncamiento Accidental: esta situación combina aspec-

tos de las dos anteriores y ocurre cuando el proceso por el cual la muestra es truncada
influencia los parámetros del modelo estimando sobre la muestra restringida. Por ejem-
plo, supongamos que estamos interesados en examinar los determinantes de los salarios
de inmigrantes. El problema estriba en que los salarios son uno de los factores que ex-
plicaría la decisión de migrar. Esto es claramente una forma de truncamiento, es decir,
la muestra solo incluye a inmigrantes, pero es una forma donde los factores que deter-
minan el truncamiento no son independientes de la conducta de la variable dependiente
dentro de la muestra truncada.

En los acápites que siguen revisaremos la forma de estimar modelos que incorporen
explícitamente estas situaciones. No obstante lo anterior, previo a esto revisaremos al-
guna propiedades de la distribución normal que son fundamentales para entender los
problemas antes señalados.

5.2. Algunas propiedades de la distribución Normal

Sabemos que si la variable aleatoria x ∼ N (µ, σ 2 ), entonces :

1 −(x−µ)2
f (x) = √ · e 2σ2
2πσ 2
x−µ
ó en el caso de que z ∼ N (0, 1) con z = σ , se tiene que :

1 z2
φ(z) = √ · e 2
2π

99
Lo anterior permite determinar ciertas propiedades de esta variable aleatoria.

φ(−z) = φ(z)
dφ(z)
dz = −z · φ(z)
h i
f (x) = σ1 · φ (x−µ)
σ = 1
σ · φ(z)
Ra
Φ(a) = P (z < a) = −∞ φ(z)dz

Φ(−a) = 1 − Φ(a) = P (z ≥ a)

con estas propiedades a la mano discutiremos los aspectos problemáticos mencionados

en la introducción.

5.3. Truncamiento
Como se mencionó, este fenómeno se observa cuando la muestra está restringida a
una parte de la población de tal forma que sólo observamos las variables X e Y dentro
de una rango restringido. Por ejemplo, si estamos interesados en examinar el efecto de
la escolaridad sobre los ingresos (salarios) pero solo disponemos una muestra de ingre-
sos altos. O bien, si examinamos los determinantes de los ingresos a nivel de hogares
usando una encuesta sobre empleo e ingresos en vez de una encuesta de hogares, ya
que la primera incluye, por definición, solo aquellos que están trabajado o aquellos que
pagan impuestos.

Para analizar y con ello generar una forma de estimar un modelo cuya variable de-
pendiente tenga esta característica debemos revisar las propiedades de una distribución
truncada.

Propiedades de la Distribución Truncada

La densidad de una variable que es truncada a partir de a viene dada or la siguiente

expresión :

f (x)
f (x|x > a) =
p(x > a)

esta definición asegura que la densidad truncada sume uno sobre el rango restringido.

100
 f(x)

-0.5 0.0 0.2 E(x/x>0.2) x

E(x/x>-oo) E(x/x>-0.5)

de esta forma sabemos que :

· ¸
(a − µ)
P (x > a) = 1 − Φ
σ
= 1 − Φ(α)

esto último se obtiene de la última propiedad de la distribución normal ya vistas, donde

α = a−µ
σ .

Así tenemos entonces :

f (x)
f (x|x > a) =
[1 − Φ(α)]
1 φ(z) x−µ
= con z =
σ [1 − Φ(α)] σ
en el gráfico anterior podemos observar que si el truncamiento es por abajo, la media
de la distribución truncada será mayor que la media de aquella sin truncar. Si ahora la
distribución estuviera truncada por arriba, sería análogo a lo anterior.

De esta forma, el valor esperado de una distribución truncada tiene la siguiente for-
ma :

E(x|truncamiento) = µ + σ · λ(α)

donde,
φ(α)
λ(α) =
[1 − Φ(α)]
si el truncamiento es del tipo x > a, o bien,
−φ(α)
λ(α) =
Φ(α)

101
si el truncamiento es del tipo x < a

En ambos casos, λ(α) se conoce como el inverse mills ratio (ó hazard rate), la que
está asociada a la probabilidad condicional de observar α condicional en que α está
en la muestra. En otras palabras, mide el grado de ajuste requerido para la media sin
truncar µ.

Por otro lado, la varianza de la distribución truncada viene determinada por la siguiente
expresión :

V (x|truncamiento) = σ 2 (1 − δ(α))

donde
λ(α)
δ(α) = con 0 < δ < 1 ∀α
[λ(α) − α]

lo que implica que la varianza de la distribución truncada siempre es menor que aquella
de la distribución sin truncar.

En general, nos referimos al truncamiento en términos del grado de truncamiento, lo que

representa la probabilidad de que x sea menor que a. Si el valor de a aumenta el grado
de truncamiento aumenta ya que la probabilidad de que x sea menor que a aumenta.
Así, una mayor proporción de la distribución se descarta y por consiguiente la media
de la distribución truncada aumenta.
E(x/x>a)

0
P(x>a)

5.3.1. Regresión Truncada

Una vez definido el truncamiento y las propiedades de una distribución truncada analizare-
mos a continuación la forma de estimación de un modelo en que la variable dependiente
tiene esta característica. Para ello definiremos la siguiente regresión :

yi = βxi + ²i ²i ∼ N (0, σ 2 )

102
donde si yi es truncada de algún modo, sabemos que:

(a − βxi )
E(yi |yi > a) = βxi + σ · λi (αi ) con αi =
σ
No olvidar que a es el punto de truncamiento y αi es el valor estandarizado (pero no es
la constante del modelo la cual esta incorporada en x).

De esta manera, el valor esperado de yi viene dado por la siguiente forma :

φ[(a − βxi )/σ]

E[yi |yi > a] = βxi + σ
1 − Φ[(a − βxi )/σ]

expresión que sugiere que la media de la distribución truncada es una función no lineal
de x, β y σ y el punto de truncamiento a.

A partir de la formula de la varianza se puede determinar que:

V (yi |yi > a) = σ 2 [1 − δ(αi )]

con δ(α) = λ(α) · [λ(α) − α] y además 0 < δ(α) < 1, ∀α

donde λ(α) = φ(α)/(1 − Φ(α)) es el inverse Mills ratio.

5.3.2. Efectos Marginales:

Para el caso de un model,o de regresión truncado, los efectos marginales pueden ser
obtenidos de la siguiente manera :
µ ¶
∂E[yi |yi > a] ∂λi ∂αi
= βj + σ ·
∂xj ∂αi ∂xj
µ ¶
¡ 2 ¢ −βj
= βj + σ λi − αi λi
σ
= βj (1 − λ2i + αi λi )
= βj (1 − δ(αi ))

ya que δ(αi )) < 1, ∀α, el efecto marginal de un cambio en xj sobre E(yi ) cuando yi
tiene una distribución truncada es siempre menor que el correspondiente a βj .

También es importante notar que si estamos tratando de realizar inferencia sobre la

sub-población entonces el parámetro relevante es βj (1 − δ(α)). Ahora, si el interés está
sobre inferencias concernientes a toda la población, entonces el coeficiente relevante será
β.

103
 verdadera
+
+ + + OLS
+ +
+ + +
+ +
+ +
a
(+) (+)
(+) (+) (+): no observado
(+)
(+) (+) + : observado

Del gráfico podemos notar que ajustando un OLS a los datos truncados (muestra trun-
cada) sesgará los coeficientes hacia cero. 12

5.3.3. Estimación:
Como se mencionó, si estimamos el siguiente modelo :
yi = βxi + ²i ²i ∼ N (0, σ 2 )
por OLS pero usando una muestra truncada, entonces tendríamos un problema de sesgo
por omisión de variable (el inverse Mills Ratio) relacionado con el truncamiento. Así los
β’s estarán sesgados y serán inconsistentes.

Mas aún, dado que el término de error en el modelo OLS está también truncado (es
decir, es una función de α) entonces el modelo anterior tendrá un término de error
heterocedastico con la siguiente estructura :
V (²i ) = σ 2 (1 − λ2i + λi αi )
el cual es una función de xi (ya que λi es función de xi ).

Una forma alternativa de estimación es por Máxima Verosimilitud. Dada la función

de densidad de yi , entonces se tiene que :
1
σ φ[(yi− βxi )/σ]
f (yi |yi > a) =
1 − Φ[(a − βxi )/σ]
y en consecuencia, en logaritmos tenemos que :
n n · µ ¶¸
n£ 2
¤ 1 X 2
X a − βxi
logL = − log(2π) + logσ − 2 (yi − βxi ) − log 1 − Φ
2 2σ σ
i=1 i=1
12
el caso de truncamiento por arriba es análogo

104
Maximizando con respecto a β y σ 2 se obtiene lo siguiente :

∂logL X · yi − βxi λi ¸
= − · xi = 0
∂β σ2 σ
i
∂logL X· 1 (yi − βxi )2 αi λi
¸
= − 2+ − =0
∂σ 2 2σ 2σ 4 2σ 2
i

(a−βxi ) φ(αi )
donde αi = σ y λi = 1−Φ(αi ) .

5.4. Datos Censurados

Como se había mencionado, en este caso observamos el vector de variables independi-
entes x sobre todo el rango pero la variable dependiente y sólo es observada sobre un
subconjunto restringido de valores de la distribución. Por ejemplo, el gasto del hogar en
bienes durables (Tobin 1958) u horas dedicadas al trabajo en Investigación y Desarrollo.

Notar que el sesgo introducido mediante la restricción del rango observado para y será
serio si la probabilidad de que y caiga por debajo del umbral no sea despreciable.

f(y)

toda la probabilidad se concentra

. en un punto

a u y

Sabemos que al sacar las observaciones censuradas nos quedamos con un modelo trunca-
do (muestra truncada). Por lo tanto, debemos entonces ver un método para incorporar
la presencia de censura. El problema de sacar los datos es que se pierde información
importante. Con este fin primero estudiaremos la distribución de probabilidades cuando
la variable analizada presenta censura.

5.4.1. Distribución Normal Censurada

Veamos nuevamente el modelo de variable latente:

y ∗ ∼ N (µ, σ 2 )

105
 ½
a si y ∗ ≤ a;
y=
y∗ ∼
en este caso y ∗ es sólo observable para los valores sobre el umbral a. La distribución de
una variable censurada puede pensarse como la combinación de dos partes. La primera
es un componente discreto la cual otorga todo el peso del componente censurado de la
distribución en un sólo punto. En cambio, la segunda comprende el componente contin-
uo para el rango de valores de y para el que existe una distribución (truncada).

Así, el valor esperado de esta variable aleatoria esta compuestos por dos partes :

E(y) = P (y = a) · E(y|y = a) + P (y > a) · E(y|y > a)

= P (y ∗ ≤ a) · a + P (y ∗ > a) · E(y|y > a)
= Φ(α) · a + [1 − Φ(α)] · [µ + σ · λ(α)]
(a−µ)
donde α = σ y λ(α) es el Inverse Mills Ratio.

5.4.2. Modelo Tobit

En general, los modelos que tratan muestras censuradas se denominan modelos de
regresión censurada donde el punto de censura puede cambiar entre observaciones. El
Modelo Tobit (Tobin’s Probit Model) opera bajo la idea de que existe un único punto
de censura el cual es fijo y generalmente normalizado a cero.

La estructura del modelo es la siguiente:

yi∗ = βxi + ²i ²i ∼ N (0, σ 2 )

yi =0 si yi∗ ≤ 0
yi =1 si yi∗ > 0

donde la media esta dada por: (aquí se asume que a = 0):

E(yi ) = P (yi = 0) · E(yi |yi = 0) + P (yi > 0) · E(yi |yi > 0)

Veamos con mas detención esta última expresión:

si a = 0 entonces se tiene que E(yi |yi = 0) = 0

y en consecuencia, E(yi |yi > 0) = βxi + σ · λi

donde:
φ[(0 − βxi )/σ]
λi =
1 − Φ[(0 − βxi )/σ]
φ(βxi /σ)
=
Φ(βxi /σ)

106
 por otro lado, se tiene que:

P (yi > 0) = P (βxi + ²i > 0)

= P (²i > −βxi )
= P (²i < βxi )
= Φ(βxi /σ)

Combinando los puntos anteriores se tiene que el valor esperado de yi viene dado por
la siguiente expresión :

E(yi ) = P (yi∗ > 0) · E(yi |yi > 0)

µ ¶
βxi
E(yi ) = Φ · [(βxi + σ · λi )]
σ

donde:
φ(βxi /σ)
λi =
Φ(βxi /σ)

5.4.3. Efectos Marginales:

En general, los efectos marginales dependerán si estamos interesados en saber algo sobre
la media en la distribución censurada o los coeficientes del modelo latente. Por ejemplo,
si tomamos el caso de los salarios de reserva, debemos preguntarnos si queremos estimar
el cambio en las ganancias y en la educación (sea xj ) para solo los que trabajan (muestra
censurada) o bien la relación entre educación y ganancias (esperadas) para toda la oferta
de trabajo.

∂E(yi |xi )
= βj · Φ(βxi /σ)
∂xj
| {z }

parte censurada

∂E(yi∗ /xi )
= βj
∂xj
| {z }

toda la población

Así, si xj aumenta (educación medida como número de años en el colegio) primero

afecta la media condicional del valor de y ∗ en la parte positiva de la distribución. El se-
gundo efecto es que un aumento en xj va aumentar la probabilidad de que la observación
caiga en la parte positiva de la distribución.

107
 verdadera

+ OLS muetra
censurada
+
+ OLS
+ +
+ + muestra
+ + truncada
+ +

(+) (+)
(+) (+)(+)
(+)

5.4.4. Estimación Tobit

Considerando una distribución normal para los errores, la función de verosimilitud para
el modelo Tobit tiene la siguiente forma :
X· 1 (yi − βxi )2
¸ X · µ
βxi
¶¸
2
logL = − log(2π) + log(σ ) + + log 1 − Φ
2 σ2 σ
yi >0 yi =0

La cual es una mezcla de observaciones con distribución continua (no censurada) y ob-
servaciones con distribución discreta censurada. Esta es una expresión compleja pero
manejable. Generalmente, los estimadores OLS se reportan también con fines compar-
ativos.
Del gráfico anterior se puede observar que los parámetros OLS son menores en valor
absoluto, a aquellos obtenidos por MLE. Resultados empíricos sugieren que los esti-
madores MLE pueden aproximarse al dividir los estimadores OLS por la proporción de
observaciones no limitadas en la muestra.
No obstante, existe una forma más adecuada de corregir los estimadores OLS cuando
los datos son censurados: método de Heckman en dos etapas, el cual discutiremos con
más detalle en "sesgo de selección".

5.4.5. Residuos Generalizados

Al igual que en los modelos de elección binaria, el supuesto de la distribución de los
errores así como también la presencia de heteroscedasticidad y autocorrelación generan
estimadores inconsistentes. Como se discutió anteriormente, ello se debe a la no lineal-
idad presente en este tipo de modelos.

Dado esto, se desarrolló una batería de test basados en los residuos generalizados de las
estimaciones máximo verosímiles las que ahora se explican para el caso de un modelo
Tobit.

108
Sabemos que E(yi∗ ) = x0i β y además que las esperanzas condicionales son:

(i)

E(yi∗ |yi = 0) = E(yi∗ ≤ 0)

= x0i β + E(²i |x0i β + ²i ≤ 0)
· ¸
0 −²i x0i β −²i
= xi β − σ · E | ≤
σ σ σ
= x0i β − σ · λ(αi )

con:
³ ´
x0i β
φ σ
λ(αi ) = ³ ´
x0i β
1−Φ σ

(ii) Además, E(yi∗ |yi > 0) = yi

Uniendo ambos términos se tiene lo siguiente :

½
∗ yi si yi 6= 0;
µi = E(yi |yi ) = 0
xi β − σ · λi si yi = 0

o bien, como una forma alternativa de re escribirlo, se tiene :

µi = Di · yi + (1 − Di ) · (x0i β − σ · λi )

donde ½
1 si yi∗ > 0;
Di =
0 ∼
De esta manera, los residuos generalizados del modelo Tobit vienen dados por la sigu-
iente expresión : ½
0 yi − x0i β si yi 6= 0;
ηi = µi − xi β =
−σ · λi si yi = 0
La función de verosimilitud asociada a estos residuos, tiene la siguiente forma :
n
X ½ µ ¶ ¾ · µ 0 ¶¸
yi − x0i β xi β
logL = Di logφ − log(σ) + (1 − Di ) · log 1 − Φ
σ σ
i=1

109
A partir de esta expresión se pueden obtener los primeros momentos de los residuos los
cuales tienen la siguiente forma :

(1) η̂i
êi =
σ̂  
à ! à !
 y − x0 β̂ 2  x 0 β̂
(2) i i i
êi = Di − 1 + (1 − Di ) · λ̂i ·
 σ̂  σ̂
à !3  à !2 
0
yi − xi β̂ 0
xi β̂ 
(3)
êi = Di · − (1 − Di ) · λ̂i · 2 +
σ̂ σ̂
Ã !   Ã ! Ã !3 
 y − x0 β̂ 4  0
xi β̂ 0
xi β̂ 
(4) i
êi = Di i
− 3 + (1 − Di ) · λ̂i · 3 +
 σ̂  σ̂ σ̂

5.4.6. Pruebas basadas en el Score

Siguiendo los aspectos metodológicos discutidos para el caso del Probit, en lo que sigue
se discuten algunas pruebas basadas en el score para el caso particular del modelo de
censura Tobit.

1. Variable Omitida:
Se asume que el modelo correctamentee specificado tiene la siguinete forma :

yi∗ = x0i β + zi0 γ + εi

donde la prueba nula, acerca de la inclusión de una variable relevante es Ho: γ = 0

1 Pn
donde ∂logL
∂γ = σ2 i=1 ηi zi

En general, para el caso del Tobit, se tiene que :

n ½
X · ¸ ¾
∂logL yi − x0i β xi
= Di + (1 − Di )(−λi )
∂β σ σ
i=1
n
1 X
= ηi · xi
σ2
i=1

a diferencia del caso Probit el vector de score incluye adicionalmente un término

con respecto a σ y por lo tanto debe ser este incluido en las pruebas de hetero-
cedasticidad y/o normalidad mediante el segundo momento de los residuos.

Como en el caso de probit, para probar variable omitida definimos el siguiente

estadístico:

c0 R(R0 R)−1 R0 c ∼ χ2(p) p : #restricciones

110
 donde c es un vector de unos con dimensión n y por su parte R una matriz cuya
(1) (1) (2)
fila i es: (êi x0i , êi zi0 , êi ), el cual se obtiene al regresionar c sobre R. Si se trata
(1)
de una sola variable omitida, el estadístico de student asociado a êi zi0 al cuadrado
es el χ21 necesario para la prueba. Recordar que:
(1) η̂i
êi =
σ̂
( (1)
(2) [êi ]2 − 1 si y > 0;
êi = x0i β̂
λ̂i σ̂ si y = 0
2. Heterocedasticidad: aquí se aplica la misma idea que el caso anterior pero ahora
(1) (2) (2)
la fila i del vector R es la siguiente : (êi x0i , êi , êi zi ) si se asume que el modelo
es:
yi∗ = x0i β + ²i
∂h(zi0 γ) ¯¯
con σ 2 = h(zi0 γ) donde ∂γ γ=0
= zi . Por ejemplo, exp(zi γ).
3. Normalidad: para este caso se debe considerar el tercer y cuarto momento de la
distribución de los errores generalizados. Veamos esto en detalle.

Tercer momento:
·³ ´ ¸
²i 3
E |yi = 0
σ
(
(1)
(3) [êi ]3 si y > 0;
êi =
λ(2 + z 2 ) si y = 0
o bien
à !3  à !2 
(3) yi − x0i β̂ x0i β̂
êi = Di − (1 − Di )λ̂i 2 + 
σ̂ σ̂

como ya lo habíamos visto. Por su part el cuarto momento tien la siguiente es-
tructura:
·³ ´ ¸
²i 4
E |yi = 0
σ
(
(1)
(4) [êi ]4 − 3 si y > 0;
êi =
λi (3z + z 3 ) si y = 0
o bien
Ã !4   Ã ! Ã !3 
0
yi − xi β̂ 0
xi β̂ 0
xi β̂ 
(4)
êi = Di  − 3 + (1 − Di )λ̂i 3 +
σ̂ σ̂ σ̂

111
Para testear la normalidad de los residuos, se deben utilizar el tercer y cuarto
momento conjuntamente. La prueba estadística es análoga a las dos ya vistas y
tiene la siguiente forma:

c0 R(R0 R)−1 R0 c ∼ χ2(p)

donde, en este caso c es un vector columna de unos y la fila i de la matriz R tiene

(1) (1) (2) (3) (4)
los siguientes elementos : [êi , êi xi , êi , êi , êi ].

Sabemos que si esta prueba de normalidad es rechazada entonces Tobit no es

un modelo apropiado porque los β’s serán inconsistentes. No obstante lo anterior,
ello dependerá del grado de censura en la variable endógena. Por otra parte, es
posible realizar pruebas acerca de restricciones sobre el tercer y cuarto momento
en forma separada pero ello no constituye una prueba de normalidad.

Existe una forma de testear normalidad y heterocedasticidad del tipo White

(de forma desconocida) mediante un procedimiento similar al anterior pero ahora
(1) (2) (2) (3) (4)
donde la fila i de la matriz R es la siguiente: [êi x0i , êi , êi xi x0i , êi , êi ].

Ejemplo: Heterocedasticidad Multiplicativa en el modelo Tobit

Utilizado datos de corte transversal, Petersen y Waldman analizaron el volumen

de los intereses pagados a corto plazo por diferentes acciones. Los regresores de
su modelo eran una medida de la componente de las expectativas heterogéneas
de la compañía determinada por el mercado, similar a lo que se denomina coe-
ficiente BETA; una medida de las expectativas heterogéneas especifica de cada
compañía, que llamaremos NO-MERCADO; el NUMERO de la compañía dedica-
dos a predecir ganancias; el número de acciones comunes emitidas para adquirir
otras empresas, variable denominada FUSION; y la variable binaria que indican
si existen o no OPCIONES. Los autores presentan resultados que se presentan
en la siguiente tabla en un modelo que supone que la varianza es de la forma
σi2 = exp(α0 xi ). Los valores que se dan entre paréntesis son los errores estándar
asintóticos estimados.

Estimadores de un Modelo Tobit

Homocedástico Heterocedástico
β α β
Constante -18.28 (5.10) -4.11 (3.28) -0.47 (0.60)
BETA 10.97 (3.61) 2.22 (2.00) 1.20 (1.81)
NO-MERCADO 0.65 (7.41) 0.12 (1.90) 0.08 (7.55)
NUMERO 0.75 (5.74) 0.33 (4.50) 0.15 (4.58)
FUSION 0.50 (5.90) 0.24 (3.00) 0.06 (4.17)
OPCIONES 2.256 (1.51) 2.96 (2.99) 0.83 (1.70)
LogL -547.30 -466.27
Tamaño muestral 200 200

112
 El efecto de la heterocedasticidad sobre los estimadores es muy importante. Puede
contrastarse la hipótesis α = 0 utilizando un estadístico de cocientes de verosimil-
itudes. Con estos resultados el estadístico es -2[-547.3-(-466.27)]=162.06. La dis-
tribución asintótica del estadístico es χ2(5) . El valor muestral es muy superior al
valor crítico que aparece en las tablas, por lo que se rechaza la hipótesis nula.

5.4.7. Modelos alternativos para censura

Como se discutió previamente, los estimadores del modelo Tobit son inconsistentes si
los supuestos sabre los que descansan no se cumplen. Existen a los menos dos soluciones
en la literatura orientadas a estimar modelos con variables censurada cuando el Tobit
es inconsistente. Powell (1984, 1986) ha sugerido dos soluciones posibles, las que a con-
tinuación revisaremos.

Symmetrically Trimmed Least Squares

La idea detrás de este estimador puede resumirse de la siguiente manera. Suponga que
pudiéramos observar la variable latente y ∗ en todo su espectro y que el término de error,
en consecuencia, estará simétricamente distribuido en torno a cero. Así la estimación
por OLS nos daría estimadores consistentes. De esta forma, la censura introduce lo que
hace es introducir una asimetría a la distribución.

Densidad de xi'beta + e

xi'beta 2xi'beta e

Para una observación dada xi , solo podemos obtener el area a la derecha de 0. Así todas
las observaciones donde ei <−xi β están omitidas. En un modelo del tipo:

y ∗ = xβ + e
½ ∗
yi si yi∗ > 0;
yi =
0 si yi∗ ≤ 0
ó bien ½
yi∗ si ei > −xi β;
yi =
0 si ei ≤ −xi β

113
Suponga ahora que truncamos las observaciones tales que ei >xiβ. Esto significa tomar
los puntos a la derecha de 2xi β en la figura anterior, y en consecuencia tendríamos
nuevamente una distribución del error que sería simétrica.

Powell (Econometrica 1986) sugiere que si conociéramos el verdadero valor del parámetro
β (por ejemplo, β0 ) podríamos reemplazar yi por la mínima cantidad entre {yi , 2xi β0 } y
generar de esta forma un estimador consistente para β0 . Otra forma de hacer lo mismo
es:

e∗i = max(ei , −xi β0 )

y reemplazar e∗i por el min{yi , 2xi β0 } si xi β0 >0 o bien borrar la observación si esto no
se cumple.
En consecuencia, el verdadero valor del coeficiente β0 debería satisfacer la siguiente
ecuación normal:
Xn
1(xi β0 ) · (min{yi , 2xi β0 } − xi β0 )x0i = 0 (38)
i=1

Cabe hacer notar que β0 no es observado pero Powell hace uso de la noción de .auto
consistencia"para demostrar que un estimador de β0 , consistente al ser solución de (38)
nos entrega un estimador consistente del verdadero β.

En términos prácticos, es relativamente sencillo encontrar un estimador consistente de

β, el que denominaremos β̂ al usar el siguiente algoritmo iterativo:

1. Calcular un estimador inicial β̂ por OLS a partir de los datos originales.

2. Calcular el valor predicho para todas las observaciones

si el valor predicho es negativo, hacer la observación como missing.

si el valor de la variable dependiente es mayor que dos veces el valor predicho,
entonces reemplazar el valor de la variable dependiente por 2xi β

3. Correr un OLS sobre los nuevos datos alterados.

4. Volver a realizar la rutina hasta que el valor de β ya no cambie.

La matriz de varianza de β̂ puede ser determinada de la siguiente forma. Definiendo :

n
1 X
Cn = · E[1(−xi β0 < ²i < xi β0 ) · x0i xi ] (39)
n
i=1

y por otra parte :

n
1 X
Dn = · E[1(xi β0 > 0) · min{²2i , (xi β0 )2 }x0i xi ] (40)
n
i=1

114
Así la matriz de varianza covarianza puede sere estimada como :
b −1 D
C bCb −1
byD
donde C b son estimadores consistentes de (39)y (40) respectivamente.

Una característica atractiva de este método es que es robusta ante la presencia de

heterocedasticidad siempre y cuando la distribución del error sea simétrica. Este méto-
do es más útil, es decir, eficiente, mientras menos sea el grado de censura y mayor el
tamaño de la muestra.

115
116
117
5.4.8. Censured Least Absolute Deviations (CLAD)
Esto es una forma alternativa de estimar Tobit simple cuando existen problemas con
los supuestos. Este estimador es un poco menos restringido con respecto a los errores
comparado con el STLS.

De nuevo supondremos que y ∗ puede ser observada en el modelo.

y ∗ = xβ + ²

así:

E[yi∗ |xi ] = xi β + E[²i /xi ] = xi β

su estimador consistente puede ser obtenido por OLS, el cual es la solución al siguiente
programa :
" n #
X
mı́n (yi∗ − xi β̂)2
β̂ i=1

esto es β̂ es aquel estimador que minimiza la suma de errores al cuadrado.

Suponga que en vez de minimizar los errores al cuadrado, se minimiza la suma del
valor absoluto de los errores.
" n #
X
mı́n |yi∗ − xi β̂|
β̂ i=1

este estimador se conoce como desviaciones absolutas mínimas (LAD). Otra forma de
escribir este modelo es:
n
X
mı́n (yi∗ − xi β̂) · signo(yi∗ − xi β̂)
β̂ i=1

donde signo (·) toma el valor de 1, 0, -1 dependiendo si el argumento es positivo, cero

o negativo. La ecuación normal correspondiente es:
n
X
x0i · signo(yi∗ − xi β̂) = 0
i=1

de esta manera, es el signo de los residuos y no su magnitud la que importa para

determinar β̂. Como puede inferirse, la regresión LAD corresponde a la regresión sobre
la mediana de la muestra ya que :

q50 [yi∗ |xi ] = xi β + q50 [²i |xi ] = xi β

118
No olvidar que OLS corresponde a la regresión sobre la media la cual será inconsistente
en un modelo de regresión censurada pues :

E[máx{0, yi∗ }|xi ] = xi β + E[²|xi , ²i > −xi β] 6= xi β

La mediana, a diferencia de la media, no es afectada por la transformación max. De

esta manera, se puede demostrar que: (ver Powell 1984)

q50 [máx{0, yi∗ }|xi ] = xi β + q50 [²|xi , ²i > −xi β] = xi β

ello es cierto independientemente de la forma de los errores. En particular si son hete-

rocedásticos y/o no normales.

La representación práctica de este estimador exige regresiones cuantiles en q = 50,

qreg en STATA). Veamos esto:

1. Regresione por LAD (o qreg en q = 50) sobre la muestra entera para generar un
valor inicial de β.

2. Use este estimador para sacar las observaciones para las cuales su predicción es
negativa.

3. Regresione por LAD sobre esta nueva muestra y encuentre un nuevo estimador de
β.

4. Repita (b) y (c) hasta que β̂ converja.

Notar que pueden existir problemas con el mínimo global. Así, deberá probar distintos
valores iniciales. La matriz de covarianzas se estima por bootstrap del proceso completo.

5.5. Modelos para Sesgo de Selección

Recordemos que la principal diferencia entre un modelo censurado y un modelo de sesgo
selección (censura accidental) estaba en que la presencia de la observación en la muestra
(sólo la variable dependiente) estaba determinada por variables que habían sido recogi-
das en la muestra.

Para ilustrar este último punto veamos el siguiente modelo :

y2i = zi δ + v2i (a)
y1i = xi β + v1i si y2i >0 (b)
y1i no obs. si y2i ≤0
D2i = 1 si y2i >0
D2i = 0 si y2i ≤0

119
La ecuación para y1i es una ecuación de regresión común. Sin embargo, bajo ciertas
condiciones no observamos la variable dependiente de esta ecuación. Denotaremos si
observamos o no esta variable mediante una variable dummy D2i . La observación de la
variable dependiente y1i es función del valor de otra regresión : la ecuación de selección
que relaciona la variable latente y2i con algunas características observadas zi ). Puede
que las variables en xi y zi puedan traslaparse incluso ser las mismas aunque esto puede
generar problemas de identificación.

Algunos ejemplos:
1. Oferta de trabajo de madres casadas: primera ecuación son las horas y la segunda
es sobre al diferencia de salario de mercado y el salario de reserva no observado.

2. Relación entre tamaño de la firma y crecimiento: primera ecuación relaciona crec-

imiento y tamaño y la segunda describe la probabilidad de salida entre el primer
y el segundo período.
Análisis del Sesgo:

Suponga que estimamos la ecuación (b) por OLS usando solo los datos observados.
Existe algún sesgo en los βs ?.

Sin asumir una distribución en particular para los errores v, el valor esperado de y1
condicional en x y la probabilidad de observar y1 viene dado por :

E[y1 |x, y2 > 0] = xβ + E[v1 |v2 > −zδ]

De esta manera, β será insesgado si y solo si v1 es independiente de v2 lo que implica

que los datos están “aleatoriamente” faltantes o que el proceso de selección es "ignor-
able"(caso poco realista).

Ahora, asumiremos que v1 y v2 están distribuidos conjuntamente f (v1 , v2 , θ) donde

θ es un conjunto finito de parámetros : media, varianza y correlación entre las variables
aleatorias.

Usando Bayes tenemos que el valor esperado de v1 condicional es el siguiente :

R∞ R∞
−∞ −zi δ v1 · f (v1 , v2 , θ)dv2 dv1
E[v1 |v2 > −zi δ] = R∞ R∞ (41)
−∞ −zi δ f (v1 , v2 , θ)dv2 dv1
= λ(zδ, θ)

De esta manera se desprende que la esperanza condicional de y1 dado x y la probabilidad

de observar y1 será igual a la regresión común de y1 n función de xβ mas una función
no lineal de los regresores z de la ecuación de selección, la cual no tendrá una media
igual a cero (análogo a IMR). De esta forma, y con respecto a la estimacioines de los
parámetros en el modelo de sesgo de selección, se puede determinar lo siguiente:

120
 1. El intercepto estimado será sesgado pues la media del término de error no es cero.
De hecho es igual a Ei [λ(zi δ; θ)].

2. Si las variables x y z no son distribuidas completamente independientes, es decir,

tiene variables en común o están correlacionadas, los coeficientes de pendiente
estimados estarán sesgados pues existe un problema de omisión de variable en
la regresión. La variable omitida es λ(zi δ; θ) la cual está correlacionado con las
variables incluidas x.

Notar que aunque x y z sean independientes, el hecho de que los datos faltantes no lo
sean aleatoriamente introduce heterocedasticidad al término de error y así OLS no es
eficiente.

Existen a lo menos dos formas de solución el problema de sesgo de selección dentro

del mundo paramétrico.13 Uno es el método en dos etapas atribuible a Heckman (1979)
y el otro es mediante Máxima Verosimilitud (Amemiya 1981). Antes de analizar estos
dos métodos en detalle discutiremos previamente las propiedades de una distribución
normal bivariada truncada.14

Asumiendo que la distribución conjunta entre dos variables aleatorias x e y es normal

bivariada, esto puedes ser especificado de la siguiente manera :
µ ¶ ·µ ¶ µ 2 ¶¸
x µx σx ρσx σy
∼N ,
y µy ρσx σy σy2

donde ρ es la correlación entre ambas variables aleatorias, y en consecuencia ρσx σy es la

covarianza entre ambas variables. Una de las tantas ventajas de la distribución normal
es que la distribución condicional también es normal. Veamos esto :
µ ¶
σx σy 2 2
f (y|x) ∼ N µy + ρ · 2 · (x − µx ), σy (1 − ρ )
σx

o bien, estandarizando, queda :

à σ σ !
y − µy − ρ · σx 2 y · (x − µx )
f (y|x) ∼ φ p x
σy 1 − ρ2

Así, la distribución de y dado x es normal con una media mayor que su media sin
condicionar µy si las variables x e y están positivamente correlacionados y mientras x
sea mayor que su media sin condicionar. Análogamente, la media condicional de y es
menor que su media incondicional cuando x e y están negativamente correlacionados y
x es mayor que su media. 15 En general, y condicional en x tiene una varianza menor
que la distribución incondicional de y independientemente de la correlación entre x e y.
13
ya discutiremos mas adelante aquellas provenientes del mundo semi paramétrico
14
la normal truncada univariada fue discutida previamente
15
lo contrario se cumple cuando x es menor a su media

121
Usando este resultado podemos mostrar que la esperanza condicional de y, condicional
que x es mayor que una valor dado, tiene la siguiente forma:
µ ¶
a − µx
E[y|x > a] = µy + ρ · σy · λ
σx

donde
φ(µ)
λ(µ) =
1 − Φ(µ)
φ(−µ)
=
Φ(−µ)

a λ(µ) se le conoce como el hazard rate de x evaluado en a.

5.5.1. Heckman (1979) two-step estimator

Este autor asume que existe una distribución normal bivariada de los errores en las
ecuaciones (a) y (b) con la siguiente estructura :
µ ¶ ·µ ¶ µ 2 ¶¸
u1 0 σ1 ρσ1
∼N ,
u2 0 ρσ1 1

de esta forma, la ecuación de selección se convierte en un modelo Probit. Por su parte,

recordemos que la varianza de la distribución en la ecuación Probit puede ser normal-
izada a uno sin pérdida de información ya que la escala de la variable dependiente no
es observada.

De esta manera, usando el supuesto de normalidad y las propiedades de la normal

bivariada truncada podemos calcular E[y1 |y2 > 0] como sigue:

E[y1 |y2 > 0] = xβ + E[v1 |v2 > −zδ] (42)

· ¸
−zδ
= xβ + ρσ1 λ
1
φ(−zδ)
= xβ + ρσ1
1 − Φ(−zδ)
φ(zδ)
= xβ + ρσ1
Φ(zδ)

ya que el IMR siempre es positivo, la regresión de y sobre x estará sesgada dependiendo

del valor de ρ.
Así la magnitud del sesgo dependerá de la magnitud de la correlación entre los errores
(ρ), la varianza relativa del error (σ1 ) y la severidad del truncamiento (IMR es mayor
cuando zδ es menor). Así, si ρ = 0 entonces no habrás sesgo de selección.

122
Cabe señalar que en el caso del Tobit simple, donde y1 es igual a y2 , ρ = 1 y por
lo tanto se tiene que el valor esperado condicional es :

φ(xβ)
E[y1 |y1 > 0] = xβ + σ1 ·
Φ(xβ)

con el sesgo siempre hacia abajo.

Estimación utilizando el método de Heckman:

La idea es utilizar la especificación en (42)

φ(zi δ)
E[y1i |y2i > 0] = xi β + ρ · σ1 ·
Φ(zi δ)
φ(zi δ)
y estimar β en (b) por OLS incluyendo una medida de Φ(zi δ) en dicha ecuación.

Con este fin Heckman (1979) sugiere realizar los siguientes pasos:

1. Estimar δ consistentemente usando un probit para la probabilidad de observar los

datos en función de z.

2. Calcular su valor ajustado para la función índice o variable latente ŷ2i = zi δ̂ y

calcular enseguida el IMR, λ̂i como función de ŷ2i .

3. Incluir λ̂i en la regresión de y1i sobre xi para aproximar λ(zi δ). El coeficiente de
λ̂i será una medida de ρσ1 y de esta forma una estimación de ρ y σ1 puede ser
obtenida a partir de allí.

Los valores resultantes (estimadores) de β, ρ y σ1 son consistentes pero asintóticamente

ineficientes bajo el supuesto de normalidad. La gran gracia de este método es su sencillez
puesto que sólo se necesita un probit y un OLS.

No obstante lo anterior, existen a lo menos tres aspectos que se deben considerar con
respecto a este estimador en dos etapas:

1. El estimador del error estándar convencional en (a) es inconsistente pues el modelo

de regresión en (42) es intrínsecamente heterocedástico debido a la selección. Una
forma de solucionar esto es mediante el uso de los estimadores de los errores
estándar robustos los cuales son, al menos consistentes.

2. El método no impone la condición que |ρ| ≤1 lo cual esta implícitamente asumido

en el modelo. Esta condición es a menudo violada.

3. El supuesto de normalidad es necesario para la consistencia de los estimadores.

123
5.5.2. Estimación por ML:
Cabe señalar que uno de los principales problemas que existían por ese entonces era la
capacidad computacional para estimar modelos no lineales sofisticados. De esta man-
era, el tener acceso a un paquete computacional que pueda maximizar la función de
verosimilitud con respecto a un vector de parámetros dado un conjunto de datos per-
mite savar esta valla técnica. De esta forma, quizá el desafío más grande sea definir la
función de verosimilitud acorde al problema econométrico que se nos presenta.

Para el caso particular del Tobit generalizado (Tobit tipo II según la nomenclatura
de Amemiya 1985), primero se debe especificar el modelo completo como lo hemos he-
cho en (a) y (b). A su vez, es necesario incluir una especificación general y completa de
la distribución de las variables aleatorias en el modelo, como lo hicimos en (42).

El paso siguiente es dividir las observaciones en grupos de acuerdo al tipo de dato

observado. Considerando el problema de sesgo de selección, cada grupo tendrá una for-
ma distinta de verosimilitud. En este caso puntual tenemos dos tipos de observaciones.

1. Aquellas donde y1 es observada para lo cual sabemos que la condición de que

donde sabemos que y2 > 0 se cumple. Para estas observaciones la función de
verosimilitud es la probabilidad del evento y1 y que también ocurra que y2 > 0.

P (y1i , y2i > 0|x, z) = f (y1i ) · P (y2i > 0|y1i , x, z)

= f (v1i ) · P (v2i > −zi δ|v1i , x, z)
µ ¶ Z ∞
1 y1i − xi β
= ·φ · f (v2i |v1i )dv2i
σ1 σ1 −zi δ
µ ¶ Z ∞ " #
1 y1i − xi β v2i − σρ1 (y1i − xi β)
= · · φ p dv2i
σ1 σ1 −zi δ 1 − ρ2
µ ¶ " Ã !#
1 y1i − xi β zi δ + σρ1 (y1i − xi β)
= ·φ · 1−Φ· p
σ1 σ1 1 − ρ2
µ ¶ Ã !
1 y1i − xi β zi δ + σρ1 (y1i − xi β)
= ·φ ·Φ· p
σ1 σ1 1 − ρ2

Así, la probabilidad de una observación para la cual observamos efectivamente sus

datos es la densidad en el punto y1 multiplicada por la probabilidad condicional
para y2 dado el valor de y1 fue observado.

2. Para aquellos y1 no observados, sabemos que y2 ≤ 0 y del manera, no tenemos

información independiente para y1 .

P (y2i ≤ 0) = P (v2i ≤ −zi δ)

= Φ(−zi δ)
= 1 − Φ(zi δ)

124
De esta manera, juntando ambos términos, se tiene que la loglikelihood de la muestra
completa de observaciones será la siguiente:
N0
X
logL(β, δ, ρ, σ1 ; datos) = log [1 − Φ(zi δ)]
i=1
N
" µ ¶ Ã ρ
!#
X y1i − xi β zi δ + σ1 (y1i − xi β)
+ −logσ1 + logφ + logΦ p
σ1 1 − ρ2
i=N0 +1

donde existe N0 observaciones para las cuales no observamos y1 y N1 observaciones,

donde si lo hacemos, con N = N0 + N1 . Los parámetros estimados pueden obtenerse al
maximizar la función de verosimilitud con respecto a sus argumentos.

Estos estimadores serán consistentes y asintóticamente eficientes bajo el supuesto de

normalidad y homocedasticidad de los términos de error no censurados. 16 Aunque un-
os de los problemas que tiene la estimación por ML es que la función no es estrictamente
cóncava y en consecuencia no necesariamente existe una única solución.

16
Ver Amemiya 81 para la demostración.

125
126
127
128
129
5.5.3. Pruebas de normalidad en el Tobit generalizado
Como habíamos visto, el modelo de Tobit generalizado (tipo II) pueder ser escrito de
la siguiente forma :
∗
y1i = x01i β1 + ε1i

½ ∗
½
y1i si y2i > o 1 si Y2i > 0;
yi = Di =
0 otro caso 0 otro caso
con
∗
y2i = x02i β2 + ε2i

La segunda etapa en el modelo de Heckman está basado en:

y1i = x01i β1 + E(ε1i |Di = 1) + ε1i

Ahora, si (ε1i , ε2i ) se distribuyan normal bivariada, entonces se tiene que :

³ ´
x2i β2
σ12 φ σ2
E(ε1i |Di = 1) = λi , con λi = ³ x0 β ´
σ2 φ 2i 2 σ2

Notar que generalmente se normaliza σ2 = 1 el cual no afecta a los parámetros.

Prueba de Normalidad de la distribución marginal de ε1i :

Partiremos con una expresión generalizada de distribución conjunta para los errores
de ambas ecuaciones desarrolada por Gallant y Nychka (Econométrica 1987).

 
XK X
J 
f (ε1 , ε2 ) = γkj · εk1 · εj2 · b(ε1 , ε2 )
 
k=0 j=0

donde b es la densidad normal bivariada con γ00 = 1. Si K = 0, reemplazando en la

expresión anterior se obtiene lo siguiente :

E(ε1i |Di = 1) = E(ε2i |Di = 1) + γ01 E(ε2i |Di = 1) + .......γ0j E(εj2i |Di = 1)

Los cuatro primeros términos del lado derecho, corresponden a:

λi , 1 − Zi · λi , λi · (Zi2 + 2), 3 − 3Zi · λi − Zi3 · λi

donde
0 β
X2i φ(Zi )
2
Zi = y λi =
σ2 φ(Zi )

130
respectivamente.

Pagan y Vella (1989) basada en esta descomposición, sugieren agregar Ẑij · λ̂i con
(j = 1, 2, 3) a la ecuación en el segundo paso del estimador de Heckman y probar por su
significancia conjunta. En otras palabras, sugieren agregar el IM R, IM R2 y IM R3 a la
ecuación de intensidad y testear su significancia conjunta. Si se rechaza entonces no ex-
iste sospecha de no normalidad y por lo tanto los estimadores del Tobit son consistentes.

Cabe recordar que en el modelo de Heckman la distribución de los errores de la ecuación

de selección, aquella que se estima utilizando un Probit, se asume normal. De esta for-
ma, una prueba indirecta acerca de la validez de los estimadores de Heckman es testear
la normalidad de los errores en el Probit mediante residuos generalizado.

Pues bien, si los errores son normales en el Probit o la expansión de IMR’s en la ecuación
de intensidad sugerida por Pagan y Vella no son significativos, entonces el modelo Tobit
generalizado debería estimarse por ML.
Recordemos que la estimación de Heckman es ineficiente comparada con ML y según
Davidson y Mackinnon, representa una buena prueba para estudiar la presencia de sesgo
de selección pero no para estimar parámetros.

5.5.4. Estimación modelo de sesgo de selección con errores no normales

La pregunta que surge ahora es qué pasa si las pruebas de normalidad son rechazadas.
Cabe recordar que debido a la no linealidad del modelo, el rechazo de f (ε1 , ε2 ) se dis-
tribuya normal bivariada significa que los estimadores tanto de la ecuación de intensidad
(βˆ1 ) como aquellos de la ecuación de selección (βˆ2 ) serán inconsistentes. Ya sea si fueron
estimados por ML o bien por Heckman).

Existen dos formas generales para solucionar este problema. Una es seguir en el mundo
paramétrico, asumiendo que se conoce la distribución de los errores en ambas ecua-
ciones. Y la otra es moverse al mundo no paramétrico, estrictamente hablando, al semi-
paramétrico.Veamos cada uno de ellos.

Mundo paramétrico:

Supongamos que ε2 , los errores de la ecuación de selección no son normales. Bajo lo que
se denomina "Modelo de Selección Generalizado"podemos redefinir el término del error
como sigue:
∗
y1i = x01i β1 + σ1 ε01i

∗
y2i = x02i β2 + ε02i

131
Suponga que ε02i tiene una distribución F conocida. Entonces, podemos obtener una
nueva variable normal al aplicar la siguiente función sobre los errores originales :
ε∗2i = J(ε02i ) = Φ−1 · F (ε02i )
y, en consecuencia :
ε∗2i ∼ N (·)
También se puede relajar el supuesto de normalidad de ε∗1i . La única condición es que
F sea conocida y continua.

De esta forma, el modelo de Heckman en dos etapas tiene la siguiente forma:

· ¸
0 φ(J(x02i β2 ))
y1i = x1i β1 + σ1 · ρ · + νi (43)
F (x02i β2 )
con ρ =cor(ε01i , ε∗2i ) la correlación entre los errores.

Notar que las probabilidades ajustadas de la primera etapa son F (x02i βˆ2 ) y en con-
secuencia, el término entre corchetes en (43) será:
φ[Φ−1 (pˆi )]
con pˆi = F (x02i βˆ2 )
pˆi
Entre otras propiedades de esta forma de estimación esta que puede ser aplicado para
un caso mas general, donde existan mas de dos alternativas. Por ejemplo, a través de
un multinomial logit y se calcula las probabilidades predichas para cada alternativa y
luego se corrige la ecuación de intensidad utilizando la corrección propuesta para cada
alternativa. No obstante, solo se puede aplicar si F es conocida y continua.

Mundo No Paramétrico
La mayoría de los modelos no paramétricos continuan la idea propuesta por Heckman
de estimación en dos etapas. De esta forma, la segunda etapa viene definida por:
y1i = x01i β1 + E(ε1i |Di = 1) + ν1i
donde se relaja el supuesto paramétrico sobre el término de corrección, es decir, la nor-
malidad de ε2i .

De esta manera tenemos :

y1i = x01i β1 + λ(x02i β2 ) + ν1i
donde si asumimos normalidad en ε2i entonces λ(·) es conocida e igual al IMR. Sin
realizar ningún supuesto distribucional lo único que sabemos es que λ depende de x02i β2
λ(x02i β2 ) = E(ε1i |ε2i > −x02i β2 )
Existen dos formas dentro del mundo semiparamétrico para estimar estos casos:

132
 Pensar en λ como un ruido.
Aproximar λ.

En general, existen mas formas de tratarlo, pero éstas son las mas frecuentes en la lit-
eratura.

1. Tratar a λ como un ruido.

La idea es tratar a este parámetro como un ruido y por lo tanto hay que trtar
de eliminarlo. Este tratamiento se expone en Robinson (Econometrica 1988) y
también en Pagan y Ullah (p. 304 y 198) Teniendo la ecuación de selección :
y1i = x01i β1 + E(ε1i |xi , y2i
∗
> 0) + ν1i (44)

y1i = x01i β1 + g(x02i µ2 ) + ν1i (45)

la idea es aplicar el valor esperado |E(·|x02i β2 ), obteníendose lo siguiente :
E(y1i |x02i β2 ) = E(x01i |x02i β2 ) · β1 + g(x02i β2 ) (46)
Así, restando los dos últimas ecuaciones (45)-(46) se obtiene lo siguiente :
y1i − E(y1i |x02i β2 ) = [x01i − E(x01i |x02i β2 )] · β1 + ν1i
ecuación que tiene las propiedades de un modelo de regresión lineal con variable
dependiente igual a :
y1i − E(y1i |x02i β2 )
Notar que :
g(x02i β2 ) = E(y1i |x02i β2 ) − E(x01i |x02i β2 ) · β1
Un estimador no paramétrico de β̂ será (ver Pagan y vella pág. 199)
" n #−1 " n #
X X
0
β̂1 = (x1i − m̂12i )(x1i − m̂12i ) (x1i − m̂12i )(y1i − m̂2i )
i=1 i=1

donde m̂12i y m̂2i son los estimadores por Kernel de

m12i = E(x1i |x2i · β2 ) y m2i = E(y1i |x02i β2 )
Todo lo anterior suponiendo que β2 es conocido. De no serlo también puede ser
estimado no paramétricamente a partir de la ecuación de selección. Ver Pagan y
Vella p.305).

Adicionalmente, se tiene que :

ĝ(x02i β2 ) = m̂2i − m̂012i β̂1

133
2. La otra forma es tratar de aproximar λ
Lee (Journal of Econometrics,1994) plantea la siguiente relación :
J
X
λ(x02i β̂2 ) ≈ αj · bj · (x02i β2a )
j=1

donde, bajo ciertas restricciones, esta expresión es equivalente al test de Pagan y

Vella (1989) donde se agregan potencias del IMR en la ecuación de intensidad.

Es decir:

y1i = x01i β1 + IM R + IM R2 + IM R3 + ν1i

o bien,

φ(x02i β̂2 )
· (x02i β̂)j (j = 1, ..., 3)
Φ(x02i β̂2 )

Ver resultados con datos de Mroz.

Existe una forma alternativa de estimar el modelo Tobit Generalizado en forma
no paramétrica y es por Máxima Verosimilitud. Dado que el supuesto clave aquí
es acerca de la distribución conjunta de los errores tanto de la ecuación de se-
lección como la de intensidad f (ε1i , ε2i ) Gallant y Nychka proponen la siguiente
aproximación para la distribución conjunta :
 
XM X
M
fˆ(ε1i , ε2i ) =  γjk · εj1i · εk2i  exp{−(ε1i |δ1 )2 − (ε2i |δ2 )2 }
j=0 k=0

la cual es incorporada en la función de ML y estimada posteriormente. Para de-

talles, ver Pagan y Vella p.311

134
6. Modelos de Duración
Para comenzar se debe señalar que los modelos de duración pueden ser vistos como de
duración discreta o continua. Como punto de partida, se considera el modelo de datos
de duración discreta.

A lo largo de este capítulo se recurrirá frecuentemente al caso del desempleo, como

modo de ejemplo. Entonces, es ilustrativo comenzar el estudio de los modelos de du-
ración pensando en la duración del desempleo como variable a ser explicada.

6.1. Datos de Duración Discreta

Sea T una variable aleatoria entera no negativa la que representa el tiempo de salida
de un estado (situación de desempleo) de un individuo perteneciente a una población
homogénea donde el tiempo se mide a partir del comienzo del fenómeno (momento en
el cual el individuo pierde su trabajo y pasa a ser desempleado).

La distribución de probabilidades de esta variable aleatoria puede ser especificada de

diversas maneras, todas las cuales se encuentran relacionadas. Estas son: la función de
densidad de probabilidades, la función de sobrevivencia17 y la función de riesgo.18 Es
importante tener presente que al especificar una de ellas, las otras quedan automática-
mente determinadas.

El concepto central, tanto en modelos teóricos como estadísticos sobre duración, es

la probabilidad condicional de salida (es decir, la probabilidad de que el evento, en este
caso desempleo, finalice). Definamos λt como la probabilidad de finalización del período
de desempleo (es decir, la probabilidad de que el individuo encuentre trabajo) al tiempo
t, condicional a estar aún desempleado en t − 1. Este concepto es conocido como la tasa
de riesgo:19
λt = P (T = t|T ≥ t) (47)
para t = 1, 2, 3... Intuitivamente se puede definir a la función de sobrevivencia, S(t),
como la probabilidad de seguir desempleado hasta al menos el período t:20

S(t) = P (T ≥ t) = 1 − F (t) (48)

Esta función puede ser escrita como:

t−1
Y
S(t) = (1 − λs ) (49)
s=0
17
Survivor function.
18
Hazard function.
19
Hazard rate.
20
Algo así como la probabilidad de que el fenómeno dure hasta al menos t.

135
con t ≥ 1 y con S(0) = 1. De (48) es posible notar que la función de distribución
acumulada se define como:
F (t) = 1 − S(t) (50)
La función de densidad de probabilidades de T entrega la probabilidad de que una
duración completa sea exactamente igual a t, es decir, P (T = t):
t−1
Y
f (t) = λt (1 − λs ) = λt S(t) (51)
s=0

Es decir, corresponde al producto entre la probabilidad condicional de dejar de estar

desempleado en el tiempo t (tasa de riesgo) y la probabilidad de mantenerse desempleado
en t (función de sobrevivencia). De (49) se sabe que:

S(t + 1) = S(t)(1 − λt ) = S(t) − S(t)λt

Reemplazando (5) y ordenando se tiene que:

f (t) = S(t) − S(t + 1) (52)

Note que la distribución de T puede ser especificada en términos de la función de den-

sidad, o de la función de sobrevivencia, o bien de la tasa de riesgo.

Generalmente, los modelos de análisis de duración son especificados en términos de

la función de riesgo. Los datos para estimar el modelo serán duraciones, algunas com-
pletas otras incompletas (algunas personas dejaron de ser desempleadas, mientras que
otras aún permanecen en esa condición). Así, la función de verosimilitud (esto es, la
probabilidad de observar los datos que se tienen dado el modelo) será especificado en
términos de la función de sobrevivencia y de la función de densidad.

6.2. Datos de Duración Continua

Considere ahora el caso en que T es una variable aleatoria no negativa continua.
Denotando f (t), F (t) y S(t) como las funciones de densidad, acumulada y sobrevivencia,
respectivamente, se tiene que:
Z ∞
S(t) = P (T ≥ t) = f (u)du (53)
t

Note que:
∂S(t)
f (t) = − (54)
∂t
La función de riesgo es ahora la probabilidad instantánea de dejar de ser desempleado
en el tiempo t condicional a que el individuo lo ha estado hasta t. Corresponde a la
probabilidad de dejar el estado (de desempleo) en un intervalo de tiempo breve, digamos
entre t y t + ∆t, dado que se encuentra desempleado en t es:

P (t ≤ T < t + ∆t|T ≥ t) (55)

136
La función de riesgo se define como:21

F (t + ∆t) − F (t) f (t)

λ(t) = lı́m P (t ≤ T < t + ∆t|T ≥ t) = lı́m = (56)
∆t→0 ∆t→0 ∆tS(t) S(t)

Un aspecto interesante respecto de la probabilidad de salida del estado (desempleo)

será si esta varía a medida que transcurre el tiempo. Por ejemplo, a medida que pasa
el tiempo, más difícil es para la persona desempleada encontrar trabajo (histéresis). Se
dice que la función de riesgo presenta dependencia en la duración si:

∂λ(t)
6= 0 (57)
∂t
Al igual que en el caso discreto, la distribución de T puede ser especificada tanto en
términos de f (t) como de S(t), o bien, de λ(t).

Reemplazando (8) en (10) se tiene:

1 −∂S(t) −∂logS(t)
λ(t) = = (58)
S(t) ∂t ∂t

Por lo tanto: ½Z ¾
t
S(t) = exp λ(u)du = exp{−Λ(t)} (59)
0

donde Λ(t) se denomina función integrada de riesgo. Nuevamente, estas relaciones per-
miten escribir la función de verosimilitud para una muestra dada en términos de un
modelo de riesgo específico.

6.3. Estimación no paramétrica de la Distribución

6.3.1. Tiempo Discreto
Considere una muestra de n individuos de una distribución dada para la cual ob-
servamos un conjunto de personas las cuales han completado su duración (encontraron
trabajo) y otras para las cuales sólo observamos el período vigente de desempleo (siguen
buscando trabajo).

Sea ti la duración observada para el individuo i. Definiremos ci = 1 si el período de

desempleo se ha completado y ci = 0 si no. Para aquellos con duración completada la
probabilidad de la información observada viene dada por la función de densidad, f (t), y
21
En términos más formales, esta se define como:
f (t)
λ(t) =
1 − F (t)
que corresponde a la densidad de una variable aleatoria truncada.

137
para aquellos con duración censuradas por la función de sobrevivencia. La verosimilitud
de la muestra observada viene dada por:
n
( t −1 )
Y ci
Y
i

L= λti (1 − λs ) (60)
i=1 s=0

Sea J la duración mas larga en la muestra22 (es decir, el individuo que estuvo o está
más tiempo desempleado) y definiendo nj como el número de salidas en tiempo igual
a j (número de personas que encontraron trabajo en la última semana) y rj como el
número de potenciales salidas en j (número de personas que pudieron haber encontrado
trabajo en la última semana), es decir, el número de individuos con duraciones ≥ j.
Entonces podemos reescribir la verosimilitud como sigue:
J
Y n
L= λj j (1 − λj )rj −nj (61)
j=0

Maximizando log(L) con respecto a λj se tiene:

nj
λ̂j = (62)
rj
para j = 0, ....., J. Este es el estimador natural de λj : la razón entre el número de salidas
en la duración j y el número potencial de salidas en ese punto del tiempo. El estimador
correspondiente para la función de sobrevivencia es:
j−1
Y j−1
Y rk − nk
Ŝ(j) = (1 − λ̂k ) = (63)
rk
k=0 k=0

6.3.2. Tiempo Continuo

Aquí habrá un universo finito de distintas duraciones completas en la muestra, por
ejemplo, J. Ordenando estas duraciones de menor a mayor se tiene:
t1 < t2 < ... < tj (64)
Al igual que en el caso anterior, definiremos nj como el número de salidas en tj y rj
como el número potencial de salidas en tj . Así, el estimador de máxima verosimilitud
para la función de riesgo en estos puntos será como la ya definida y el estimador de la
función de sobrevivencia vendrá dada por:
Y µ rj − nj ¶
Ŝ(t) = (65)
rj
j|tj <t

Esta es conocida como la función Kaplan-Meier o el estimador de producto límite y

tiene la forma de una función “step” declinante.

Ejemplo: Encuesta de desempleo (por cohortes) en UK. No incluye aquellos que se

retiran (ver gráficos Stewart).
22
Piense en J como medida en semanas: una semana, dos semanas, etc.

138
6.4. Modelos Paramétricos
La partida natural al considerar modelos paramétricos es aquel modelo donde la
función de riesgo es constante, λ(t) = λ ∀t. La probabilidad condicional de dejar el
desempleo no varía en el ciclo, es decir, no depende de cuánto tiempo el individuo ha
estado desempleado. Es posible mostrar que en este caso T (tiempo del ciclo) tiene una
distribución exponencial. De las relaciones discutidas anteriormente, podemos observar
que para este caso:
Λ(t) = λt (66)
a lo cual se llega solucionando una sencilla integral. Además:

S(t) = exp(−λt) (67)

f (t) = λexp(−λt) (68)

La ecuación (66) proporciona una gráfica muy útil para analizar lo adecuado del mod-
elo exponencial como representación de los datos. La función de riesgo integrada es
Λ̂(t) = −log[Ŝ(t)]23 , donde Ŝ(t) es el estimador Kaplan-Meier de la función de sobre-
vivencia. La gráfica de esta en función de t debiese ser una línea recta que parte del
origen. Como una ilustración, se presenta el gráfico de los datos de observaciones de
desempleo de UK (ver figura 3).

Existe una marcada curvatura en el gráfico, sugiriendo que una representación expo-
nencial de T puede no ser adecuada.24 La duración media en el modelo exponencial es
λ−1 y la varianza es λ−2 (la mediana
¡ ¢ de la distribución de duración viene dada por la
solución de S(t) = 0,5 y es log λ2 ). El modelo puede ser escrito en su forma log-lineal
como sigue:25
log(T ) = −log(λ) + ω (69)
donde ω tiene una distribución extrema del tipo I (eω tiene una distribución exponencial
unitaria). Así:
media : E(logT ) = −logλ + ψ(1) (70)
varianza : V (logT ) = ψ 0 (1) (71)
donde ψ(1) y ψ 0 (1) son constantes conocidas −0,5772 y 1,6449, respectivamente. Así,
log(T ) tiene una varianza conocida, la cual no depende de λ.

Una generalización simple pero importante de la distribución exponencial, la cual per-

mite dependencia temporal26 de la duración es la distribución Weibull. Su función de
riesgo viene dada por:
λ(t) = αλ(λt)α−1 (72)
23
Ver (13).
24
De hecho, es posible testear si la linealidad es o no rechazada.
25
Por conveniencia en la estimación.
26
Es decir, la probabilidad de finalizar el ciclo va cambiando conforme pasa el tiempo.

139
con α, λ > 0. Esta función crece o decrece monotónicamente dependiendo si α > 1 o
α < 1 y se reduce a la exponencial si α = 1.

Considerando las relaciones antes vistas podemos observar que para el caso Weibull
se tiene que:
Λ(t) = (λt)α (73)
S(t) = exp[−(λt)α ] (74)
f (t) = αλ(λt)α−1 exp[−(λt)α ] (75)
Para el caso de la distribución Weibull se tiene que:
µ ¶
−1 1
media : E(T ) = λ Γ 1 + (76)
α
½ µ ¶ µ ¶¾
−2 2 2 1
varianza : V (T ) = λ Γ 1+ −Γ 1+ (77)
α α
donde Γ(·) es la función Gamma completa (para un ejemplo ver Lancaster 1990 Apéndice
1).

Las funciones ψ(1) y ψ 0 (1) antes mencionadas son la primera y segunda derivada de
logΓ(·), respectivamente. Al igual que en el caso anterior, existe un test gráfico muy útil
basado en la transformación Kaplan-Meier de la estimación de la función de sobreviven-
cia. Dado que log(Λ(t)) = αlog(λ)+αlog(t), un gráfico entre log(Λ̂(t)) = log[−log[Ŝ(t)]]
contra log(t) debería dar aproximadamente una línea recta. Veamos el caso de UK (figu-
ra 4).

Observamos que se parece bastante a la línea recta o por lo menos tiene menos curvatu-
ra que el gráfico anterior. En el caso especial de la exponencial la línea recta también
debería estar sobre la recta de 45◦ .

En forma similar al caso exponencial, podemos escribir el modelo Weibull como:

log(T ) = −log(λ) + α−1 ω (78)

donde ω es la distribución de valor extremo tipo I. Lo anterior implica que:

ψ(1)
media : E(logT ) = −log(λ) + (79)
α
ψ 0 (1)
varianza : V (logT ) = (80)
α2
Weibull introduce su parámetro en la varianza definida por la exponencial.

140
6.5. Estimación
Considere una muestra de n individuos con una distribución de duración particular.
Sea ti la duración observada para el individuo i y sea ci la variable indicadora, que toma
el valor 1 si el ciclo o racha es completada (el período de desempleo terminó) y 0 si no.
La contribución a la verosimilitud del individuo i viene dada por:

log(Li ) = ci log(f (ti )) + (1 − ci )log(S(ti ))

log(Li ) = ci log(λ(ti )) + ci log(S(ti )) + (1 − ci )log(S(ti ))

log(Li ) = ci log(λ(ti )) + log(S(ti ))
log(Li ) = ci log(λ(ti )) − Λ(ti ) (81)
En el caso del modelo exponencial la función de verosimilitud para la muestra viene
dada por:
Xn
log(L(λ)) = {ci log(λ) − λti } (82)
i=1
La primera derivada es:
n n
∂logL(λ) 1X X
= ci − ti (83)
∂λ λ
i=1 i=1
Así: Pn
ci
λ̂M LE = Pi=1
n (84)
i=1 ti
Ante la ausencia de censura esta expresión equivale simplemente a la inversa de la
duración promedio en la muestra. La varianza asintótica viene dada por:
· 2 ¸−1
∂ log(L(λ))
V (λ̂) = − (85)
∂λ2

λ̂2
V (λ̂) = Pn (86)
i=1 ci
la cual crece a medida que aumenta el grado de censura.

Para el caso de la distribución Weibull la log-likelihood es la siguiente:

n
X
logL(λ, α) = {ci log(α) + ci αlog(λ) + ci (α − 1)log(ti ) − (λti )α } (87)
i=1

Se requieren técnicas iterativas para maximizar esta expresión con respecto a λ y α. La

inversa de la matriz Hessiana (con signo cambiado) puede ser utilizada para aproximar
la varianza del estimador y así calcular los errores estándar de los coeficientes.

A continuación se presentan los resultados de estos modelos aplicados a los datos de UK:

141
 Exponencial Weibull
λ̂×100 0.55 (0.02) 0.56 (0.02)
α̂ 1.0 0.86 (0.03)
log(L) -1905.1 -1888.9
Mediana (días) 127.2 117.4

La duración está medida en días, luego los estimadores de λ están en términos diarios.
Ambos estimadores de λ son similares entre sí e indican que existe una probabilidad
cercana al 4 % para salir del ciclo o racha (de desempleo) por semana. El modelo expo-
nencial (α = 1) se rechaza con test LR a favor de Weibull. Los modelos difieren en su
predicción en la mediana de la distribución. La duración mediana de desempleo en la
muestra es alrededor de 101 días. Así, ambos predicen una mediana un poco mayor a
la verdadera aunque la distorsión es reducida al utilizar el modelo Weibull.

6.6. Impacto de Factores Explicativos

Obviamente uno de los principales objetivos del modelamiento es examinar el im-
pacto de varios factores explicativos sobre la probabilidad de dejar la situación de de-
sempleo. Por ejemplo, el ingreso individual dentro y fuera del trabajo o las condiciones
de demanda que existen en el mercado laboral local.

Una manera natural de incorporar estos factores al contexto paramétrico ya descrito, es

especificar uno de los parámetros en el modelo homogéneo como función de un vector
de variables explicativas Z. En el caso de Weibull (recordar que la exponencial es un
caso especial), pensando en el requerimiento de no-negatividad, podemos especificar:

λ = exp{γ0 + Z 0 γ} (88)

Esto proporciona una función de riesgo del siguiente tipo:

λ(t; Z) = αtα−1 exp{α(γ0 + Z 0 γ)} (89)

λ(t; Z) = αtα−1 exp{β0 + Z 0 β} (90)

Así, este caso pertenece a la clase de modelos de riesgo proporcional. En estos modelos
una variable explicativa tiene el mismo efecto proporcional en todos los puntos del riesgo.

En forma alternativa, recordemos que el modelo de Weibull puede ser escrito como
un modelo lineal para el logaritmo de T :

log(T ) = −log(λ) + α−1 ω (91)

con ω teniendo distribución valor extremo tipo I. De esta forma, al incluir las variables
explicativas tenemos
log(T ) = −γ0 − Z 0 γ + α−1 ω (92)
log(T ) = γ0∗ + Z 0 γ ∗ + σω (93)

142
que corresponde a una regresión log-lineal para T con un error distribuido valor ex-
tremo. En consecuencia, las variables explicativas tienen un efecto multiplicativo sobre
T.

Este modelo también pertenece a la clase general de los modelos log-lineales denom-
inados modelos de tiempo de falla acelerado. En estos modelos, los regresores aceleran el
tiempo de dejar el desempleo. De esta forma, con el fin de generalizar el modelo, tanto
el modelo de riesgo proporcional como aquellos de tiempo de falla acelerada aparecen
como rutas naturales a este fin. Veamos cada uno en detalle donde los modelos de riesgo
proporcionales han sido los mas utilizados en la literatura econométrica sobre duración.

6.6.1. Modelo de Riesgo Proporcionales

En este modelo, el riesgo (la probabilidad de dejar el desempleo en t dado que se está
desempleado en t − 1) se especifica como el producto de un término que depende sólo
de la duración que haya transcurrido, conocido como el riesgo base (baseline hazard ), y
un término dependiente del vector de variables explicativas Z:

λ(t; Z) = λ0 (t)φ(Z, β) (94)

Dado el requerimiento de no-negatividad, una expresión comúnmente usada para φ es:

φ(Z, β) = exp(Z 0 β) (95)

lo que implica que:

0
λ(t; Z) = λ0 (t)eZ β (96)
y así:
∂log(λ(t; Z))
=β (97)
∂Z
entregando un efecto proporcional constante de cada variable explicativa sobre la prob-
abilidad condicional de dejar el desempleo.

Una propiedad interesante de la función de riesgo integrada es que, independientemente

de la distribución de T , esta tiene una distribución exponencial unitaria. En el caso del
modelo de riesgo proporcional, este puede ser escrito como

−log(Λ0 (t)) = log(φ(Z, β)) + ε (98)

Rt
donde Λ0 (t) = 0 λ0 (u)du es la función integrada de riesgo base y ε tiene una distribu-
ción valor extremo, la cual no depende de φ(Z, β). En el caso de que especifiquemos
φ(Z, β) = exp(z 0 β) entonces:

−logΛ0 (t) = Z 0 β + ε (99)

entrega una regresión lineal para la variable transformada t∗ = −log(Λ0 (t)) (conocer la
distribución de ε será fundamental para la construcción de pruebas específicas una vez

143
que el modelo ha sido estimado).

Notar que en el modelo de riesgo proporcional asumimos una distribución conocida

para ε y estimamos la transformación Λ0 junto con β. La forma alternativa, que nos
conduce a los modelos de falla acelerada, asumen una transformación conocida de t y
así estima la distribución de ε junto con los β. Veamos primero el tema de estimación
paramétrica del riesgo base.

Especificación Paramétrica
Utilizaremos una especificación Weibull para el riesgo base. Como se vio anteriormente,
esto nos entregará:
λi (ti ; Zi ) = αtα−1
i exp{β0 + Zi0 β} (100)
Asumiendo nuevamente una muestra aleatoria, la contribución a la log-likelihood del
i-ésimo individuo viene dada por:27

log(Li ) = ci logλi (ti ) − Λi (ti ) (101)

| {z } | {z }
log(riesgo) log(sobrevivencia)

Así, la log-likelihood para la muestra observada es:

n
X
logL(α, β0 , β) = {ci log(α)+ci (α −1)log(ti )+ci β0 +ci Zi0 β −tαi exp(β0 +Zi0 β)} (102)
i=1

el cual puede ser maximizando con respecto a (α, β0 , β) por un método iterativo, como
por ejemplo, el de Newton-Raphson. Veamos un ejemplo utilizando el caso de empleo
en UK. El vector Z contiene variables como edad, dummy casado, tasa de desempleo,
el logaritmo del ingreso predicho mientras estuvo empleado, el logaritmo del ingreso
predicho si estuviese empleado. Los coeficientes β, es decir, los efectos en el logaritmo
del riesgo, son presentados en la siguiente tabla. Para obtener los efectos en el logaritmo
de la duración (γ ∗ ) se debe invertir el signo y dividir por α̂:

Exponencial Weibull
α̂ 0.90 (0.30)
β̂ 1.0
Age/ 10 -0.32 (0.03) -0.30 (0.030)
Married 0.16 (0.12) 0.16 (0.12)
local unemployment rate -1.72 (0.60) -1.61 (0.60)
log(employment income) 1.53 (0.14) 1.46 (0.14)
log(unemployment income) -0.55 (0.06) -0.53 (0.06)
βˆ0 -9.28 (0.57) -8.56 (0.57)
log(L) -1816.6 -1809.3
Median (in days) 122.3 116.2

La hipótesis α = 1 es rechazada nuevamente (LR test). No obstante, el estimador es

más cercano a 1 que en el modelo sin regresores (α = 0,86(0,03)). Como veremos más
27
Ver (35).

144
adelante, α̂ está sesgado hacia abajo por la exclusión de regresores relevantes.

Los estimadores muestran un efecto fuerte de la edad (ceteris paribus). La probabil-

idad de salida (del desempleo) de una persona de 60 años es aproximadamente 1/4 con
respecto a un tipo de 20 años comparable. Un residente de un mercado laboral que ten-
ga la tasa de desempleo mas baja tiene una tasa de salida cercana a un 45 % mas alta
comparada con una persona que resida en un mercado laboral con la tasa de desempleo
mas alta. Por otra parte, existen fuertes efectos asociados al ingreso. Dada la forma
funcional estos coeficientes representan elasticidades.

Una distribución alternativa puede obtenerse seleccionado una especificación distinta

para el riesgo base. La estimación sería la misma que la anterior bajo la especificación
de la forma funcional apropiada para las funciones de riesgo y riesgo integrado corre-
spondientes.

Vimos anteriormente que un modelo Weibull puede también escribirse como:

β0 β 1
log(T ) = − − Z0 + ω (103)
α α α
con ω distribuido valor extremo tipo I. Lo anterior puede reescribirse como:

ψ(1) − β0 β
log(T ) = − Z0 + µ (104)
α α
0
con E(µ) = 0 y V (µ) = ψα(1)
2 . Ante la ausencia de censura, este modelo podría estimarse
por mínimos cuadrados ordinarios (MCO), el cual entregaría un estimador insesgado de
β
α . Pero MCO es inapropiado ante censura y debe ser estimado por máxima verosimili-
tud (ML).

Estimador de Verosimilitud Parcial de Cox

Este estimador entrega un método para estimar β sin tener que especificar la forma del
riesgo base. Considere el caso más simple de no censura y todas las duraciones con un
tiempo único, con duraciones completadas ordenadas ti < t2 < ... < tn . La probabil-
idad condicional de que el individuo i-ésimo deje de estar desempleado en ti dado los
individuos que pudieron haber salido en ese punto (es decir, aún están desempleados)
es:
λ(t ; Z )
Pn i i (105)
j=1 λ(ti ; Zj )

La ecuación anterior es la probabilidad condicional (riesgo) del individuo i dada la

probabilidad existente para salir, la que puede ser escrita, dada la especificación de
riesgo proporcional como:
exp(Zi0 β)
Pn 0 (106)
j=i exp(Zj β)

145
dado que el término λ0 (ti ) se cancela. La log-likelihood a ser maximizada viene dada
por:   
Xn  Xn 
log(L(β)) = Zi0 β − log  exp(Zj0 β) (107)
 
i=1 j=i

El estimador puede fácilmente extenderse para casos de censura y empate (es decir, mas
de un individuo con la misma duración). Una vez que β ha sido estimado el riesgo base
puede ser estimado en forma no paramétrica como en el caso de Kaplan-Meier.

Los resultados de la estimación con el estimador parcial de Cox para la misma base
de datos y con el mismo vector de variables explicativas Z, es el siguiente:

β̂
Age/ 10 -0.29 (0.03)
Married 0.18 (0.12)
Local unemployment rate -1.50 (0.60)
log(employment income) 1.42 (0.14)
log(unemployment income) -0.52 (0.06)
Los coeficientes estimados son muy parecidos a los encontrados en los modelos paramétri-
cos. Dentro de las ventajas de estos modelos es que no se necesita ningún supuesto sobre
λ0 (t), la que en este caso particular, no influye mucho sobre los coeficientes estimados.
La desventaja es que λ0 (t) debe ser estimado no paramétricamente.

6.7. Heterogeneidad Omitida y Modelos Mixtos

A pesar de que hemos introducido heterogeneidad, la cual puede resultar de las
diferencias en las características observadas (las cuales se mantienen constantes en el
tiempo), es esperable que existan otras características (no observables) que pueden in-
fluenciar la probabilidad de dejar la situación de desempleo.

Estas heterogeneidades omitidas pueden sesgar (hacia abajo) los riesgos estimados. In-
tuitivamente, trabajadores más diestros o que trabajan en sectores mas empleables son
los primeros en dejar de estar desempleados dejando a aquellos con menor probabilidad
de salida, y en consecuencia, creando la ilusión de una fuerte dependencia negativa de
la duración que actualmente existe.

Existe un problema de identificación entre la verdadera dependencia de duración y

la dependencia de duración espúrea como resultado de la heterogeneidad no controlada.

¿Cómo podemos abordar este problema? Una forma natural es incorporar un escalar µ
el cual representa regresores omitidos en forma análoga a aquellos donde se introduce
heterogeneidad observada:
0
λ(t; Z, µ) = λ0 (t)eZ β+µ (108)

146
 Z β 0
λ(t; Z, µ) = λ0 (t) ν e|{z}
|{z} (109)
| {z }
riesgo base no obs. obs.

donde ν = eµ . Usando las relaciones ya vistas la función de sobrevivencia se puede

escribir como:28 Z t
Z0β
S(t; Z, µ) = exp(−νe λ0 (τ )d(τ )) (110)
0
No obstante, ν no es observable. La función de sobrevivencia condicional sólo en ob-
servables es: Z ∞
S(t; Z) = S(t; Z, ν)g(ν)dν (111)
0
donde g(ν) es la función de densidad de probabilidades de ν. Así, podemos notar el
problema de identificación. Combinaciones diferentes de λ0 (t) y g(ν) pueden entregar
el mismo S(t; Z), es decir, la misma distribución de los datos observados. Dos enfoques
han sido considerados para la estimación de modelos mixtos de este tipo: paramétricos
y no-paramétricos.

En el modelo paramétrico se especifica una distribución para ν y los parámetros de

la distribución se estiman conjuntamente con aquellos del riesgo individual. Una forma
comúnmente adoptada es la distribución gamma para ν con media unitaria y varianza
σ 2 . Así, la integración que resulta para la función de sobrevivencia condicional sólo en
observables es: h i 1
0 −
σ2
S(t; Z) = 1 + σ 2 eZ β Λ0 (t) (112)

A medida que σ 2 → 0 se vuelve al modelo homogéneo. Al diferenciar se puede demostrar

que la función de riesgo condicional sólo en observables es:
0 2
λ(t; Z) = λ0 (t)eZ β S(t; Z)σ (113)
donde también está el problema de identificación.

Veamos el caso de los datos para UK nuevamente, donde junto con las anteriores ver-
siones homogéneas, se ha incluido una forma de heterogeneidad distribuida gamma.

Exponencial Weibull Weibull/Gamma

α̂ 1.0 0.90 (0.03) 1.35 (0.08)
γ̂ ∗ :
Age/ 10 0.32 (0.03) 0.34 (0.03) 0.36 (0.04)
Married -0.16 (0.10) -0.18 (0.12) -0.38 (0.15)
Local unemployment rate 1.72 (0.51) 1.78 (0.60) 1.13 (0.71)
log(employment income) -1.53 (0.12) -1.61 (0.15) -2.00 (0.18)
log(unemployment income) 0.55 (0.05) 0.59 (0.05) 0.82 (0.07)
γ̂0∗ 9.28 (0.51) 9.48 (0.61) 10.03(0.73)
σ̂ 2 0 0 1.18 (0.19)
logL -1816.6 -1809.3 -1777.7
Median (in days) 122.3 116.2 99.9
28
Ver (13).

147
El modelo Weibull homogéneo es rechazado en favor del gamma mixto: σ 2 es significa-
tivamente mayor que cero. El estimador del parámetro de dependencia de duración α,
es significativamente mayor que 1 en el modelo de gamma de heterogeneidad, mientras
que era significativamente menor que 1 en los modelos que no controlaban por hetero-
geneidad.

Existen también diferencias en los estimadores γ ∗ (efectos de duración): casados ahora

tienen una duración significativamente mas corta que aquellos solteros comparables. El
efecto de la tasa de desempleo local es insignificante.

Ambas elasticidades ingreso son un poco mayores en el modelo gamma heterogéneo.

La mediana predicha es mas cercana a la muestral en este último modelo.

148
149
7. Datos de Panel
7.1. Introducción
Un conjunto de datos de panel o longitudinales es aquel que sigue individuos
(firmas o paises) a través del tiempo y en consecuencia entrega múltiples observaciones
para cada individuo. Así, datos de panel es la unión de datos en serie de tiempo y de
corte transversal. El análisis de la de conductas utilizando datos de panel es una de
las áreas más atractivas de la econometría. En esta y la siguiente clase daremos una
introducción a este tema.

7.1.1. ¿ Porqué usar Datos de Panel ?

Mas observaciones : Un panel contiene NT observaciones. Por convención, in-
dexaremos la dimensión temporal como t = 1 · · · T y la dimensión transversal
como n = 1 · · · N . Típicamente T es relativamente pequeño mientras N es rela-
tivamente mayor. Notar que incluso si T = 2 tendremos un panel que puede ser
utilizado para realizar estimaciones. El aumento en el número de observaciones
aumentará el número de grados de libertad, reducirá el grado de colinealidad
muestral y aumentará la eficiencia de cualquier estimador que se obtenga.
Discriminación entre hipótesis : Al utilizar el componente de series de tiempo de
los datos puede ser posible discriminar entre hipótesis aspecto que no es posible
realizar al utilizar solo datso de corte transversal

Ejemplo: Considere el efecto de la sindicalización sobre los salarios. Suponga que

observaciones de corte transversal sugieren que firmas donde existen sindicatos,
sus trabajadores tienen salarios mas altos. Esto es consistente con a lo menos dos
hipótesis. Primero, que los sindicatos hacen aumentar los salarios por encima de
la productividad marginal de la mano de obra. Segundo, que diferentes niveles
de sindicalización reflejan factores diferentes al poder del sindicato, como ser la
productividad de la mano de obra individual. Estas dos apreciaciones no pueden
ser distinguibles en el caso de que sólo contáramos con datos de corte transversal.
Sin embargo, si pudiéramos seguir a los trabajadores durante el tiempo entonces
podríamos determinar si el salario de un trabajador con una habilidad constante
sube o no cuando pasa de no estar sindicalizado a estarlo.
Controlando por heterogeneidad individual no observable: Similar al caso anteri-
or el que lo ilustraremos mediante un ejemplo. Suponga que estamos estudiando
la utilización (consumo) de bienes públicos entre países e imagine que existe un
factor que varía entre los países pero que no es fácilmente medible : uno de estos
factores puede ser actitudes políticas con respecto a la provisión pública de ser-
vicios. Dado que en una política pro-estado (estado benefactor) es esperable que
el consumo de bienes públicos aumente, en el caso de estados benefactores como
Suecia, uno esperaría encontrar una diferencia significativa en la propensión al
consumo de bienes públicos con respecto al promedio del resto de los países. En

150
una regresión de corte transversal, podríamos manejar este problema al utilizar
una variable dummy para Suecia. Esto, sin embargo, lo que logra es sacar com-
pletamente a Suecia de la muestra lo que no es satisfactorio. Este no será el caso
para datos de panel, como veremos en seguida.

Considere el siguiente proceso de generación de datos (bivariado):

yit = αi + βi xit + uit i = 1....N t = 1, ....T (114)

donde, en principio, tanto αi como βi pueden variar entre individuos. Suponga

que agrupamos las NT observaciones y estimamos el modelo clásico de regresión
(con α y β fijos) :
yit = α + βxit + uit (115)
Esta especificación ignora la heterogeneidad entre individuos. ¿ Cuáles son las
implicancias de esto ?

(i) Interceptos heterogéneos (αi 6= α). Tanto los coeficientes de la pendiente co-
mo de los interceptos estarán sesgados al ser estimados por OLS y el sesgo
no tendrá signo determinado. Datos de panel pueden ser útiles en este caso.
Ver Figura.

OLS

X
X

alfa 3 X
X
X
X X
X
X
X
alfa 2 X
X
X

X X

X
alfa 1

(ii) Pendientes e interceptos heterogéneos (αi 6= α y βi 6= β ). Los estimadores

OLS de las pendientes e interceptos serán sesgados y sin sentido. También
se sigue de que modelos estándar de panel no pueden tampoco manejar este
problema (ya que no tenemos suficientes grados de libertad). Ver Figura.

151
 i=3
OLS

i=2
i=1
i=4

Controlando por variables omitidas (no observadas o mal medidas): Datos de panel
permiten al investigador usar los elementos tanto dinámicos como de individuali-
dad de los elementos de un set de datos para controlar por los efectos de variables
faltantes o inobservables. Esta es una de las principales atracciones acerca del uso
de datos de panel.

Considere el siguiente modelo :

yit = α∗ + β 0 xit + γ 0 zit + uit , µit ∼ N (0, σu2 ) (116)

Bajo los supuestos usuales, la estimación por OLS de (3) entregará estimadores
insesgados y consistentes del vector de parámetros β y γ . Suponga, sin embargo,
de que el vector de variables Z no es observable pero donde la matriz de covarianza
entre X y Z no es cero. En este caso, los estimadores OLS de β estarán sesgados,
dado que zit representaría el caso clásico de omisión de variable.

Cuando tenemos datos de panel existen dos situaciones en las cuales podemos
controlar (i.e. corregir) por este problema de omisión de variable.

(i) Caso donde zit = zi para todo t de tal forma de que las variables Z son
constantes en el tiempo pero que sólo difieren entre individuos. Así, podemos
tomar las primeras diferencias de (114) con respecto al tiempo para obtener
:
(yit − yit−1 ) = β 0 (xit − xit−1 ) + (µit − µit−1 ) (117)
De esta manera lo que hicimos es "sacar"la variable-problema Z de tal man-
era que ahora se pueden obtener estimadores insesgados y consistentes de
β.
(ii) Caso donde zit = zt para todo i de tal manera de que las variables Z son
ahora comunes para todos los individuos. De esta manera, podemos tomar
la desviación de la observación de cada individuo sobre la media entre todos

152
 los individuos (en cada período), de la siguiente forma :

yit − yt = β 0 (xit − xt ) + (µit − µt ) (118)

P
donde yt = N1 N i=1 yit representa la media grupal (el valor promedio de la
variable del grupo i = 1 · · · N en cada período t )

En ambos casos las transformaciones han "sacado"la variable-problema no

observada (o mal medida) Z. Como consecuencia, la estimación por OLS de
(117) o (118) entregará estimadores insesgados y consistentes de β los que no
podrían haber sido obtenidos mediante series de corte transversal o en series
de tiempo en forma aislada.

Modelamiento de la Dinámica de Ajuste: Datos de panel son particularmente

útiles para el análisis de la duración de situaciones económicas como desempleo
o pobreza. Dependiendo del largo del panel estos nos pueden dar luces sobre la
velocidad de ajuste a shock exógenos. Aunque estos deben ser modelados con
largos datos de panel mediante técnicas denominadas Datos de Panel Dinámicos
(DPD), los que veremos en la próxima clase.

7.1.2. Algunos Problemas de los Datos de Panel

Costos de recolección de los datos : Algunos datos de panel son terriblemente
costosos en su recolección y requieren largos horizontes de investigación. Ellos
presentan todos los problemas clásicos de recolección de datos como cobertura, no
respuesta, selección endógena (i.e. truncamiento endógeno), etc.

Medición del Error Compuesto : En aquellas situaciones en que medir el término

de error es un problema, esto puede simplificarse o bien exacerbarse cuando se
utilizan datos de panel.

Suponga que tenemos un ingreso (variable X) el cual es declarado en el tiem-

po t por el hogar i con cierto error :

x∗it = xit + ²it (119)

donde ²it es una medida del error con media cero y varianza seccional igual a ω.

Si asumimos de que Cov(x, ²) = 0 entonces V ar(x∗it ) = V ar(xit ) + ω. Ahora,

si vamos a utilizar estos datos para eliminar algunos efectos no observables (como
en la ecuación (117)) entonces tenemos lo siguiente :

∆x∗it = ∆xit + ∆²it

V ar(∆x∗it ) = V ar(∆xit ) + 2ω 2 (1 − ρ) (120)

donde ρ es la correlación entre el error de medición de dos períodos. Ello puede

sugerir dos casos extremos:

153
 Caso (i) Errores Independientes del Tiempo (autocorrelación perfecta) Suponga de
que un hogar comete el mismo error año tras año ( por ejemplo el hogar se
equivocan en ingresar el valor de su casa). En este caso ρ tenderá a uno y en
consecuencia :
∆x∗it → ∆xit
V ar(∆x∗it ) → V ar(∆xit ) (121)
De esta manera, datos de panel permiten que los errores de medición sean
"eliminados"de los datos y así los parámetros de interés sean estimados sin
sesgo.

Caso (ii) Suponga que los errores de medición no están correlacionados en el tiempo
( ρ = 0 ). En este caso, encontraremos de que al diferenciar la varianza en
el error de medición será duplicada. Si la varianza del verdadero valor de
X es relativamente baja (e.g. existe una persistencia en el tiempo en X)
entonces, al diferenciar los datos significará que la "señal"es absorbido por el
ruido". En general, notar de que si ρ < 0,5 al diferenciar los datos tendrá un
efecto desproporcionado sobre la varianza del error en la medición relativo a
la varianza propia de la variable en sí.

Sesgo de Respuesta Sistemática y Reducción Sistemática : El primer sesgo surge

al tener que visitar en forma reiterada al mismo individuo y las respuestas pueden
entonces ser endógenas; las personas tienden a exagerar. El segundo sesgo está
relacionado con el hecho de que las los hogares o individuos entrevistados en el
pasado pueden ya no serlo en el presente ya que o bien murieron, quebraron,
dejaron de ser pobres, etc, lo que puede introducir un sesgo hacia atrás. Esto
se puede corregir con los denominados pseudo-paneles, tópico que está fuera del
alcance de este curso.

7.2. Un Modelo Lineal General para Datos de Panel

El modelo básico de datos de panel combina series de tiempo con datos en corte transver-
sal en un solo modelo el cual puede ser escrito de la siguiente forma :

yit = α + Xit β + uit , i = 1....N, t = 1.....T (122)

donde i denota las unidades en corte transversal y t el tiempo. Los diferentes modelos
de datos de panel dependerán de los supuestos que se realicen sobre los errores no ob-
servados uit . Existen principalmente dos alternativas :

El one-way error component model (modelo de error de componente en un so-

lo sentido) el cual asume de que la estructura del error se define como sigue

uit = µi + υit , υit ∼ iid(0, συ2 ) (123)

154
donde µi denota efectos específicos al individuo que no son observables y υit son los
denominados efectos idiosincráticos. Los µi son invariantes en el tiempo y dan cuenta
de cualquier tipo de efecto individual no incluido en la regresión. Un ejemplo están-
dar en ecuaciones de ganancia es la habilidad; en funciones de producción agrícola uno
de estos efectos puede ser la calidad (no observada) del suelo; en macro paneles sobre
crecimiento de países se pueden incluir normas culturales (e.g. con respecto al ahorro o
riesgo).

El two way error component model se asume de que la estructura del error se
define de la siguiente manera :

uit = µi + λt + υit , υit ∼ iid(0, συ2 ) (124)

donde, nuevamente, µi denota efectos individuales específicos no observables y donde

λt denota efectos temporales no observables. Estos efectos se asumen que son comunes
entre individuos pero que varían en el tiempo. Ejemplos incluirían variaciones en el
clima o cambios en la política económica en general.

7.3. El One Way Error Component Model

Podemos re escribir (122) en forma vectorial de la siguiente forma :

Y = α1N T + Xβ + u = Zδ + u (125)

donde las dimensiones de las matrices son Y = [N T ×1], X = [N T ×K], Z = [1N T X]

y δ 0 = [α0 β 0 ] en donde 1N T es un vector de unos de dimension N T . De esta forma
(123) puede ser expresado como sigue:

u = Zµ µ + υ (126)

donde u0 = (u11 , ...u1T , u21 , ...u2T , ....uN 1 , ...uN T ) y Zµ = IN ⊗ 1T , con IN la matriz

identidad y ⊗ el producto Kronecker.

De esta manera Zµ es la matriz de selección la que está compuesta de ceros y unos

y que captura los efectos de µi . Usaremos estos resultados para calcular dos matrices
adicionales. La primera es :

P = Zµ (Zµ0 Zµ )−1 Zµ0

N T ×N T

la cual es la matriz de proyección sobre Zµ ; matriz que promedia las observaciones

en el tiempo para cada individuo. La segunda matriz es :

Q = IN T − P

la cual permite obtener las desviaciones sobre las medias individuales.

155
 PT uit
De esta forma P u, tiene el típico elemento ui = t=1 T y la matriz Qu tiene este
como elemento típico uit − ui

Estas relaciones se usan extensivamente para derivar los modelos de datos de panel.
Ahora consideraremos dos supuestos sobre los efectos individuales µi .

7.3.1. Modelo de Efectos Fijos

El modelo de efectos fijos asume que los efectos individuales µi son parámetros
determinísticos los que deberán ser estimados. Este sería el caso si N representa la
"población"tal como el conjunto de países o estados o firmas, y que nuestras inferencias
es solamente relacionada sobre las N observaciones que se dispone. Así la inferencia es
condicional sobre las N observaciones en particular : no estaremos utilizando los resul-
tados para inferir aspectos relacionados a otro conjunto de países/firmas/individuos.

Al sustituir (126) en (125) tenemos que:

y = α1N T + Xβ + Zµ µ + ν = Zδ + Zµ µ + ν (127)

Podemos usar OLS sobre (127) para generar estimadores de α y el vector de β y µ al

incluir (N − 1) variables dummy para los efectos fijos no observados. Esta estimación
generalmente se conoce con Estimador Mínimo Cuadrático de Variables Dum-
my (LSDV). Cada uno de los coeficientes sobre µi miden la diferencia de los efectos
individuales con respecto a un individuo base de comparación ( representado por α).

Sin embargo, si N es grande con respecto a N T existirán demasiados parámetros a

estimar (α, β y los N − 1 efectos individuales específicos) en (127). Comúnmente, el in-
terés del investigador estará en saber los valores de α, β y en consecuencia, desearemos
simplemente controlar, y no estimar, los efectos individuales los que, después de todo,
son una amalgama de diferentes aspectos de la heterogeneidad.

La alternativa mas común para estimar esta situación es el estimador de efectos fijos.
Primero, deberemos pre multiplicar el modelo (124) por la matriz de selección Q la cual
calcula las desviaciones con respecto a la media grupal (de individuos). La observación
representativa para el individuo i en el tiempo t es :

(yit − y i ) = (α − αi ) + (Xit − X i )β + (µi − µi ) + (vit − v i ) (128)

P
donde y i = T1 Tt=1 yit es la media del valor y para el individuo i sobre todo el período de
observaciones (t = 1 · · · T ). Notar de que por definición de que el primer y tercer término
de la parte derecha de (128) son cero. En una notación vectorial mas conveniente queda
de la siguiente forma :
Qy = QXβ + Qν (129)
donde hacemos uso del hecho de que Q−Zµ = Q1N T = 0 dado que el promedio temporal
del efecto invariante en el tiempo es simplemente el efecto en si mismo. De esta forma,

156
podemos estimar como sigue :
βeW = (X 0 QX)−1 X 0 Qy (130)
donde
V ar(βeW ) = σν2 (X 0 QX)−1 = σν2 (X
e 0 X)
e −1 (131)
y donde podemos recuperar el valor estimado de α como :
eW = y − X βeW
α
donde aquí, P
el promedio se calcula sobre todas las observaciones basados en la restric-
ción de que N i=1 µi = 0 el cual es un supuesto estándar para las variables dummy.

Resultados
Si (127) es el verdadero modelo, el estimador de efectos fijos es BLUE sólo mientras
vit tenga las características Gaussianas estándar. A medida de que T tiende a infinito,
entonces el modelo es consistente para todos los parámetros del modelo. Sin embargo,
si T es fijo y N tiende a infinito, entonces el estimador FE de β será consistente. El
estimador FE de los efectos individuales (α+µi ) no son consistentes dado que el número
de parámetros aumenta a medida de que N aumenta.

Pruebas de Efectos Fijos

Podemos testear para la existencia de efectos fijos al usar un test F estándar donde la
nula es que :
Ho : µ1 = µ2 = · · · µN −1 = 0 (132)
La suma de cuadrados de residuos restringidas viene dado por la suma de los cuadrados
de los residuos del modelo OLS sobre los datos agrupados y el modelo sin restringir son
la suma de los residuos al cuadrado del modelo de efectos fijos. La prueba es la siguiente
:
(rrss − urss)/(n − 1)
FF E = ∼ F[n−1,nt−n−k] (133)
urss/(nt − n − k)
Generalmente nos referiremos a esta como la restricción de agrupamiento sobre la het-
erogeneidad no observable en el modelo.

7.3.2. Modelo de Efectos Aleatorios

Suponga ahora que los efectos individuales no son determinísticos sino que cada uno
de ellos son una variable aleatoria. Esto sería un supuesto mas razonable en el caso de
que nuestros datos fuera una muestra genuina utilizada con el fin de realizar inferencias
sobre la población como un todo. Estos efectos aleatorios no observables pueden ser
pensados a nivel de individuos como habilidades mientras que a nivel de firma podemos
pensar en términos de capacidad administrativa. Asumiremos de que µi ∼ iid(0, σµ2 ) y
que ambos, µi , vit son independientes de Xit para todo i y t. Ahora, siendo los efectos
individuales aleatorios la varianza del término de error será :
V ar(uit ) = σµ2 + σν2 (134)

157
El aspecto clave de esta varianza es que a pesar de ser homocedástica, tiene correlación
serial al interior de cada unidad de corte transversal (dado que cada "efecto individu-
al"de cada persona persiste en el tiempo). En particular, sea :

Cov(uit , ujs ) = (µi + vit )(µj + vjs ) (135)

Así, si i = j y t = s entonces se tiene que la Cov(uit , ujs ) = σµ2 + σv2 . Por otro lado, si
i = j pero t 6= s entonces se tiene que la Cov(uit , ujs ) = σµ2 y cero en otro caso. Por
extensión, tenemos lo siguiente :

ρ = Corr(uit , ujs ) = 1 para i = j; t=s

σµ2
ρ = Corr(uit , ujs ) = para i = j; t 6= s
(σµ2 + σν2 )
y cero en otro caso. Esto sugiere que ante la presencia de efectos aleatorios, la matriz de
varianzas covarianzas para el modelo de datos de panel no será del tipo "Gaussiano".
Para proceder con la estimación necesitaremos analizar la estructura de esta matriz.

Para examinar el estimador de efectos aleatorios necesitaremos introducir una nueva

matriz de selección. Sea JT una matriz de unos de dimensión T de tal forma de que
Zµ Z µ 0 = IN ⊗ JT .

De esta manera, a partir de (126) podemos calcular la matriz de varianza covarian-

za (la cual es ahora de N T × N T )

Ω = E(uu0 ) = Zµ E(µµ0 )Zµ0 + E(νν 0 ) (136)

la cual se puede simplificar en la siguiente expresión :

Ω = (T σµ2 + σν2 )(IN ⊗ J T ) + σν2 (IN ⊗ ET ) = σ12 P + σν2 (137)

donde J T = JT /T , ET = (IT − J T ) y σ12 = T σµ2 + σv2 .

Con esta definición podemos entonces aplicar a (127) el estimador GLS estándar para
derivar los estimadores de los coeficientes de α, β bajo el supuesto de efectos aleatorios:

δbGLS = [X 0 Ω−1 X]−1 [X 0 Ω−1 y] (138)

El único problema (y uno no trivial) es que Ω es de rango (N T × N T ) y la inversión

de esta matriz es extremadamente difícil. Un sinnúmero de trucos se han desarrollado
para salvar esta traba.

La forma de resolución a este problema mas popular introduce los denominados es-
timadores Entre Grupos (BG) el cual regresiona un conjunto de observaciones consis-
tentes en el promedio a través del tiempo para cada una de las N observaciones :
0
y i. = α + X i. β + ui i = 1, ...N (139)

158
donde :
T
1X
y i. = yit
T
t=1
El estimador entre grupos puede ser derivado al aplicar la matriz P a nuestro modelo
básico en (127) :
P y = P α1N T + P Xβ + P (Zµ µ + ν) (140)
el cual entrega el siguiente estimador :

βeB = [X 0 (P − J N T )X]−1 [X 0 (P − J N T )y] (141)

Este estimador se denomina entre grupos pues ignora cualquier variación al interior del
grupo ( o individuo) en el tiempo y utiliza, lo que efectivamente es un resumen de la in-
formación de corte transversal simple sobre la variación entre los grupos ( o individuos).

Maddala (Econometrica, 1971) muestra de que el estimador GLS puede ser expresa-
do como :
(X 0 QX) X 0 (P − J N T )X −1 (X 0 Qy) X 0 (P − J N T )y
βbGLS = [ + ] [ + ] (142)
σν2 σ12 σν2 σ12
Podemos simplificar la expresión anterior mediante la siguiente notación. Sea WXX =
X 0 QX, WXY = X 0 Qy, BXX = X 0 (P − J N T )X, BXY = X 0 (P − J N T ) y finalmente,
2
φ2 = σσν2 .
1

Usando estas definiciones podemos re-expresar (142) como :

βbGLS = [WXX + φ2 BXX ]−1 [WXY + φ2 BXY ] (143)

el cual es el estimador GLS de Maddala para el modelo de efectos aleatorios.

−1
Finalmente, notar de (130) de que WXX WXY es simplemente el estimador al interi-
−1
or del grupo (o intra grupo, WG) y de (141) de que BXX BXY es el estimador entre
grupos (BG) de tal forma que :

βbGLS = ΘβeW + (1 − Θ)βeB (144)

con Θ = [WXX +φ2 BXX ]−1 WXX . El estimador GLS en (144) es un promedio ponderado
entre los estimadores entre grupos e intra grupo. El parámetro clave en la ponderación
es Θ. Pueden existir tres casos diferentes:
(i) A medida de que T tienda a infinito, entonces φ2 tenderá a cero, y por tanto Θ a
la unidad. En este caso, el estimador GLS tenderá al estimador intra grupo o el
estimador LSDV.

(ii) Si φ2 tiende al infinito entonces Θ tenderá a cero y en consecuencia el estimador

GLS convergerá al estimador entre grupos.

159
(iii) Si σµ2 = 0 (i.e. los efectos individuales son determinísticos) entonces φ2 = 1 y así
el estimador GLS tenderá al estimador OLS (el cual entrega igual ponderación a
la variación intra grupo y inter grupos).

Podemos pensar, en consecuencia, a los estimadores LSDV (FE) y el estimador OLS

con los datos agrupados como casos especiales del estimador GLS donde el estimador
LSDV trata a todos los efectos individuales como fijos y diferentes y donde el estimador
OLS asume de que todos son fijos pero idénticos. El estimador GLS de efectos variables
permite a los datos considerar una posición intermedia.

7.3.3. Estimación Factible del estimador GLS

Como en todos los casos de estimadores GLS, necesitamos un procedimiento para
estimar los componentes de la matriz de varianzas y covarianzas de tal manera de que la
podamos utilizar para estimar los parámetros del GLS. Necesitamos, en consecuencia,
estimaciones de σµ2 y σν2 .

La primera opción es usar una estimación máxima verosímil interativa. Bajo los supuestos
de normalidad para µi y νit podemos escribir la función de verosimilitud de la siguiente
manera:
NT N 1
log L(α, β, φ2 , σν2 ) = constante − log σν2 + log φ2 − 2 u0 Σ−1 u (145)
2 2 2σν

y maximizarla en la forma usual, utilizando los estimadores entre grupos como los val-
ores iniciales de β.

Alternativamente 29 , valores consistentes de σν2 pueden ser derivados a partir de los

estimadores intra grupos ( ya que este estimador suprime los efectos entre grupos) y los
estimadores de σµ2 pueden ser obtenidos a partir de los estimadores entre grupos ( ya que
suprime el efecto intra grupo). Estos estimadores consistentes pueden ser sustituidos en
el estimador GLS.

Si el modelo de efectos aleatorios es correcto, entonces el estimador GLS basado en

las componentes verdaderas de varianzas es BLUE. Todos los estimadores FGLS serán
consistentes a medida de que N o T tiendan a infinito.

Resumen
El método de estimación a ser usado dependerá en si asumimos de que los efectos in-
dividuales sean fijos o aleatorios. Resulta ser de que los valores para los parámetros β
pueden variar dramáticamente, en el caso mas común donde N es grande y T pequeño,
entre estimadores intra o entre grupos. Cuando sólo existen pocas observaciones en el
tiempo resulta mejor usar los elementos de corte transversal de los datos para estimar
aquella parte de la relación que contenga variables que difieren entre un individuo al
29
ver la rutina existente en STATA

160
otro (el estimador entre grupos). Ello permite de que la parte de serie de tiempo de los
datos sea usada en forma eficiente de tal manera de rescatar la parte común de dicha
relación entre individuos.

7.3.4. Problemas de Especificación

Hasta el momento se ha asumido de que los efectos individuales son o bien fijos
(i.e. no estocásticos) o si estos eran aleatorios, la covarianza entre los efectos no observ-
ables y las variables xi es cero. Esto puede no ser muy realista. Por ejemplo, en una
función de producción las capacidades administrativas no observables podrían estar cor-
relacionadas con la elección de los insumos.

Un resultado importante de Mundlak (Econometrica, 1978) sugiere que cuando los efec-
tos µi son tratados como variables aleatorias pero la varianza entre estos y las variables
xi no son cero, el estimador de efectos aleatorios GLS será sesgado e inconsistente. Da-
do que el estimador intra grupo "eliminaçompletamente el efecto de los µi , entonces el
estimador de efectos fijo intra grupo es insesgado y consistente.

Un corolario del resultado anterior es el siguiente. Por una parte, si Cov(ui , xi ) 6= 0

entonces βW es BLUE y por lo tanto βGLS = ∆βB + (1 − ∆)βW estará sesgado. Por
otra parte, si Cov(ui , xi ) = 0 entonces se tiene que βGLS = ∆βb + (1 − ∆)βW es BLUE
y asintóticamente eficiente.

El test de especificación de Hausman puede ser también utilizado en este caso. De

no existir covarianza (i.,e. bajo la nula) entonces el estimador GLS será BLUE y asin-
tóticamente eficiente; pero bajo la alternativa de que existe covarianza entre los efectos
y las variables xi , el estimador GLS será sesgado. En contraste, el estimador intra grupo
(efecto fijo) será consistente y BLUE (pero no asintóticamente eficiente) bajo la alterna-
tiva y consistente bajo la nula. La prueba de Hausman pregunta simplemente si existen
diferencias significativas entre los estimadores GLS y intra grupo y viene denotado de
la siguiente forma :

m = (βbW − βbGLS )0 V ar(βbW − βbGLS )−1 (βbW − βbGLS ) ∼ χ2[k] (146)

donde la hipótesis nula es que la covarianza es cero. Covarianza significativa entre los
efectos µi y las variables xi hará que el valor de m sea grande lo que rechazará el test
y deberá estimarse, entonces, utilizando el estimador de efectos fijos intra grupo.

7.4. El Two Way Error Component Model

Suponga de que el término de error tienen dos efectos sistemáticos no observables
de la siguiente manera :

uit = µi + λt + νit νit ∼ iid(0, σν2 ) (147)

161
Podemos re escribir esto en forma vectorial como :

u = Zµ µ + Zλ λ + ν (148)

donde Zµ fue anteriormente definido y Zλ = 1N ⊗ IT es la matriz de variables dummies

temporales que capturan el efecto λt si estos son parámetros fijos.

7.4.1. El Estimador de Efectos Fijos

Como fue definido anteriormente, si µi y λt son determinísticos (y vit es indepen-
diente de los xit ) podemos utilizar el estimador LSDV el cual incluye N − 1 variables
dummy para cada efecto individual y T −1 variables dummy para los efectos temporales.
Esto, sin embargo, consume una gran cantidad de grados de libertad los que pueden
hacer inválida la estimación.

Podemos usar no obstante, una versión modificada del estimador intra grupo mediante
una transformación que "saque"los efectos de µi y λt . Re definiendo la transformación
Q tenemos :
Q = IN ⊗ IT − IN ⊗ J T − J N ⊗ IT + J N ⊗ J T (149)
Esta transformación significa que el típico elemento del vector y viene dado por :

ye = (yit − y i. − y .t + y) (150)

donde el segundo término de la expresión a la derecha promedia a través del tiempo (

y en consecuencia saca el efecto temporal); el tercer término promedia entre individ-
uos para el mismo período ( así sacando el efecto individual); mientras que la última
expresión promedia los efectos entre los individuos y entre los períodos de tiempo (recu-
perando la variación no explicada de los efectos individuales y temporales). Aplicando
esta transformación al término de error tenemos el siguiente resultado importante :

eit = (uit − ui. − u.t + u.. ) = (νit − ν i. − ν .t + ν .. )

u (151)

Podemos entonces estimar los parámetros de interés como :

βe = (X 0 QX)−1 X 0 y (152)

con la estimación del intercepto común como sigue :

α e ..
e = y .. − βX (153)

(ver Baltagi pp.28 para una derivación completa )

Prueba de Efectos Fijos

Como en el caso del one way eror component model, podemos testear por la presencia
de efectos fijos usando la prueba F estándar sobre la nula :

Ho = µ1 = · · · µn−1 = λ1 · · · λT −1 = 0 (154)

162
7.4.2. Modelo de Efectos Aleatorios
Ahora suponga que ambos efectos individuales y temporales son no determinísticos,
es decir podemos tratarlas como variables aleatorias estocásticas. Podemos asumir de
que µi ∼ iid(0, σu2 ), λt ∼ iid(0σλ2 ) independiente entre cada uno de ellas y con νit , y
que µi , λt , νit son independientes de xit para todo i y t. Ahora siendo los efectos fijos
aleatorios, la varianza del término de error será :

V ar(uit ) = σµ2 + σλ2 + σν2 (155)

El aspecto clave de esta varianza es que siendo de nuevo homocedástica tendrá dos tipos
de correlación serial : entre cada unidad de corte transversal (un “efecto fijo” individual
que persiste en el tiempo) y uno a través del tiempo. Así :

Cov(uij , ujs ) = σµ2 si i = j, t 6= s

Cov(uij , ujs ) = σλ2 si i 6= j, t=s

El estimador de efectos aleatorios es de nuevo un estimador GLS y, como en el caso del
modelo de one way error component, podemos utilizar el estimador ponderado de Mad-
dala en el cual tenemos dos estimadores "entre". Así existirá e tradicional estimador
Intra Grupo (usando la ecuación (151)) derivado a partir de la aplicación del la matriz
de selección Q1 ; el estimador intergrupos individual el cual es derivado de la regresión:
(y i. − y .. ) sobre (xi. − x.. ) utilizando la matriz de selección Q2 ; y el tercer estimador
intergrupos temporal el cual se deriva de la regresión entre(y .t − y .. ) sobre (x.t − x.. )
utilizando la matriz de selección Q3 .

Definiendo WXX = X 0 Q1 X; BXX = X 0 Q2 X; CXX = X 0 Q3 X, y en forma análoga

2 2
para WXY , BXY y CXY donde además se tiene que φ22 = σλv2 ; φ23 = σλv3 ; λ2 = T σµ2 + σν2
y λ3 = nσλ2 + σv2 , Maddala (Econometrica, 1971) demuestra de que el estimador GLS
puede ser expresado mediante un rearreglo de (142) como :

βbGLS = [WXX + φ22 BXX + φ23 CXX ]−1 [WXY + φ22 BXY + φ23 CXY ] (156)
−1
el cual puede ser simplificado un paso más al notar de que WXX WXY es simplemente
−1
el estimador intragrupo y que BXX BXY es el estimador intergrupo individual y que
−1
CXX CXY es el estimador intergrupo temporal. Así, se tiene que la siguiente expresión :

βbGLS = Θ1 βeW + Θ2 βeB + Θ3 βbC (157)

donde :

Θ1 = [WXX + φ22 BXX + φ23 CXX ]−1 WXX

Θ2 = [WXX + φ22 BXX + φ23 CXX ]−1 (φ22 BXX )
Θ3 = [WXX + φ22 BXX + φ23 CXX ]−1 (φ23 CXX )

A partir de lo anterior, finalmente se tiene que :

163
 Si σµ2 = σλ2 = 0 implica de que φ22 = φ23 = 1 y así el estimador GLS tenderá al
OLS.

Si T y N tienden al infinito entonces esto implica de que φ22 , φ23 tiendan a cero y
así el estimador GLS tienda al estimador intra grupo.

Si φ22 (φ23 ) tienden a infinito entonces el estimador GLS tenderá al estimador

intergrupo individual (intergrupo temporal).

7.5. Extensiones
El modelo básico puede ser extendido en varias direcciones. Estas son discutidas en
forma extensa en el Hsiao y en Baltagi algunas de las cuales revisaremos en la próxima
clase. Entre las mas interesantes se tiene :

Tratar la Heterocedasticidad y Correlación Serial en Datos de Panel.

Modelos de Sistemas con Datos de Panel.

Variables con variable Dependiente Discreta en datos de panel.

Modelos de Datos de Panel Dinámicos.

164
8. Datos de Panel Dinámicos
30

8.1. Introducción
El uso de datos de panel dinámico es una de las areas de mayor desarrollo en la
actualidad en el trabajo econométrico tanto en términos teóricos como aplicados. Las
ventajas que se derivan del uso de estos son evidentes, ya que permite estimar relaciones
económicas que presentan una naturaleza dinámica y que es imposible estimarla usando
datos de corte transversal. Por otra parte en la práctica es raro poseer observaciones
para periodos de tiempo prolongados de una unidad de análisis, como requeriría el poder
trabajar con series de tiempo. De esta manera es común tener en el trabajo aplicado
paneles con períodos de tiempo corto y con un gran numero de unidades. Sin embargo,
el trabajar con paneles dinámicos con estas características involucra una serie de de-
safíos en la estimación de los parámetros, ya que deseamos que estos sean consistentes
y eficientes, al menos en términos asintóticos.

Las técnicas tradicionales de estimación como son Mínimos Cuadros Ordinarios (OLS)
y el estimador Within Group (W G) han demostrado tener un pobre desempeño debido a
que presentan sesgos los cuales no desaparecen cuando la muestra crece (N → ∞). Una
alternativa sugerida para hacer frente a este problema es trabajar con los estimadores
de variables instrumentales (VI) que proponen Anderson y Hsiao (1982). Estos autores
instrumentalizan la variable dependiente rezagada a través del uso de la misma variable
dependiente pero con un orden mayor de rezago.

Como una respuesta a los estimadores anteriores se ha desarrollado toda una liter-
atura la cual esta basada en el Método Generalizado de los Momentos (GM M ), el cual
trata de obtener estimadores consistentes y eficientes en términos asintóticos. Entre los
estimadores que se han desarrollado podemos mencionar el estimador de una etapa,
de dos etapas y el estimador sistemas el cual trata de explotar toda la información
disponible a través de las combinación de las condiciones de momento para la ecuación
en niveles y en sus primeras diferencias. En este capítulo nos concentramos en dar una
revisión a los diversos métodos de estimación enfatizando cuales son los posibles sesgos
en que se incurre y la eficiencia que muestran dichos métodos.

8.2. El estimador de OLS, WG y IV

El modelo en el cual nos concentramos, es uno del siguiente tipo:

yit = αyit−1 + (ηi + υit ); |α| < 1; i = 1 . . . N; t = 1...T (158)

donde ηi representa el efecto individual el cual es invariante en el tiempo, υit representa

el efecto aleatorio que varia de manera individual a través del tiempo. Se asume que
30
Capítulo escrito junto a Emerson Melo.

165
ambos son variables aleatorias y sus dos primeros momentos vienen dados por:
E(ηi ) = E(υit ) = 0; y E(ηi2 ) = ση2 ; 2
E(υit ) = συ2 ; E(υit υis ) = 0 ∀ i 6= s
Por otra parte se asume que N es grande y T es pequeño y fijo, por tanto las propiedades
asintóticas de los estimadores vendrán dadas en la medida que N → ∞.

Dado lo anterior el primer estimador que estamos interesados es el estimador de OLS

el cual viene dado por: PN PT
i=1 t=2 yit yit−1
α
bOLS = P N PT
(159)
2
i=1 t=2 yit−1
El estimador anterior puede ser expresado de la siguiente manera :
PN PT
(αyit−1 + ηi + υit )yit−1
bOLS = i=1 t=2
α PN PT 2
i=1 t=2 yit−1
Por tanto tenemos que:
PN PT
i=1 (ηi + υit )yit−1
α
bOLS = α + PNt=2PT 2
i=1 t=2 yit−1
El estimador anterior resulta ser inconsistente, debido a que yit−1 esta correlacionado
positivamente con ηi . Es posible demostrar que el plimb
αOLS viene dado por la siguiente
expresión:
ση2
συ2 1−α
plim(b
αOLS − α) = (1 − α) σ2 ; con k = (160)
η
+k 1+α
συ2
De esta forma el estimador OLS de la especificación original está sesgado hacia arriba,
en donde se tiene que α < plimb αOLS < 1.31 Existen dos formas de afrontar el prob-
lema anterior, las cuales consisten en eliminar el efecto individual el cual es la fuente
de inconsistencia. La primera es transformar el modelo en desviaciones de medias de
manera de poder obtener el tradicional estimador W G. La transformación a utilizar es
la siguiente :
ee0
Q = IT −1 − (161)
T −1
donde IT −1 es una matriz identidad de rango T − 1 y e es un vector de t − 1 unos Si
multiplicamos (158) por (161) tenemos que se obtiene:
yit − y i = α(yit−1 − y i,t−1 ) + (υit − υ i ) (162)
P
con y i = T1 Tt=1 yit , esto es análogo para el caso de y i,t−1 y υ i . Si aplicamos OLS a
(162) el estimador W G viene dado por:
PN PT
t=2 (yit − y i )(yt−1 − y i,t−1 )
bW G = i=1
α PN PT (163)
2
i=1 t=2 (yt−1 − y i,t−1 )
31
Notar que si la distribución de ηi es degenarada, la ecuación (160) se convierte en plimb
αOLS = α
y por tanto no existíria sesgo.

166
El estimador W G si bien elimina el efecto individual ηi , mediante la aplicación de la
matriz de transformación dada por Q, igual resulta ser inconsistente. Para ver porque
se produce esto, analicemos los términos (yit−1 − y i,−1 ) y (υit − υ i ) en la ecuación (162).
Si escribimos dichos términos de manera extendida se tiene que :
1
yit−1 − y i,−1 = yit−1 − ( (yi1 + ....yit + ..... + yiT −1 ))
T −1
por otra parte el terminó de error es :
1
υit − υ i = υit − ( (υi2 + ..... + υit−1 + ....... + υiT ))
T −1
A partir de lo anterior es fácil darse cuenta que yit−1 está correlacionado con el término
−1 −1
T −1 υit−1 y que el término T −1 yit lo está con υit . De esta manera existe una correlación
negativa entre la variable dependiente rezagada y el terminó de error en la ecuación
(162), por tanto el estimador W G de α resulta ser inconsistente, plimb αW G es entregado
por la ecuación (164)
1+α 1−αT
(T −1) (1 − T (1−α) )
plimb
αW G = − 2α 1−αT
(164)
1− (1−α)(1−T ) (1 − T (1−α) )

El sesgo es hacia abajo y por tanto W G subestima a α. De esta forma tanto OLS como
W G entregan estimadores inconsistentes de α en la estimación de (158) y la dirección
de los sesgos van en direcciones opuestas.

La segunda alternativa que tenemos para eliminar el efecto individual de (158) es estimar
un modelo en primeras diferencias el cual viene dado por la siguiente ecuación:

∆yit = α∆yit−1 + ∆υit (165)

En donde ∆yit = yit − yit−1 , ∆yit−1 = yit−1 − yit−2 y por último ∆υit = υit − υit .

Si estimamos (165) mediante OLS se obtendrá nuevamente un estimador sesgado de-

bido al hecho que yit−1 está correlacionado con υit−1 . Anderson y Hsiao (1982) proponen
instrumentalizar ∆yit−1 usando como instrumentos32 yit−2 ó bien (yit−2 − yit−3 ).

DE esta forma, el estimador de variables instrumentales cuando usamos yit−2 como

instrumento viene dado por la siguiente expresión :
PN PT
t=2 (yit − y i )yit−2
bV I = PN i=1
α PT (166)
i=1 t=2 (yit−1 − yit−2 )yit−2
32
Un instrumento debe cumplir que este altamente correlacionado con el regresor al cual esta
instrumentalizando, y que no este correlacionado con el termino de error. A partir del supuesto
E(υit υis ) = 0 ∀ i 6= s los instrumentos señalados son validos

167
y cuando usamos (yit−2 −yit−3 ) como instrumento tiene la siguiente expresión alternativa
: PN PT
(yit − y i )(yit−2 − yit−3 )
bV I = PN i=1
α PT t=2 (167)
i=1 t=2 (yit−1 − yit−2 )(yit−2 − yit−3 )
El estimador dado por (166) tiene la ventaja que identifica a α cuando T > 2, en cambio
(167) funciona cuando T > 3.

Los criterios para usar (166) ó (167) vienen dados por el instrumento que presente
una mayor correlación con ∆yit−1 , así como también por consideraciones de eficiencia
asintotica.

No obstante lo anterior Arellano y Bond (1991) a partir de un experimento de Monte-

carlo, muestran el pobre desempeño que presentan los estimadores de IV antes men-
cionados, en particular el estimador entregado por (167) presenta un gran sesgo hacia
bajo y una gran imprecisión.

8.3. Usando GMM en la estimación de Paneles Dinamicos

Considerando la inconsistencia de los estimadores hasta ahora descritos, Arellano y
Bond sugieren la utilización del Método de los Momentos Generalizado (GMM) para la
estimación de la ecuiación (158).

En esta sección se describen los estimadores sugeridos por estos autores basados en
el concepto de estimación consistente mediante la utilización de un vector de instru-
mentos.

8.3.1. El método de Arellano y Bond

El método considera las siguientes condiciones de momento:

E(g(Xi , θ0 )) = E(gi (θ0 )) = 0

donde g(.) es un vector de orden q y θ0 es un vector de orden k, en donde q > k. El
estimador GMM θb para θ0 , minimiza el siguiente criterio:
" N
#0 " N
#
1 X −1 1 X
QWN = gi (θ) WN gi (θ) (168)
N N
i=1 i=1

con respecto a θ, en donde WN−1 es una matriz definida positiva que cumple con
plimN →∞ WN−1 = W con W una matriz definida positiva.
P PN
GMM asume que limN →∞ N1 N i=1 gi (θ) = E(gi (θ)) y ademas que
1
N i=1 gi (θ0 ) →
N (0, Ψ). LO último se conoce como condiciones de regularidad.

168
 √
) y Γθ0 = Γ(θ0 ), entonces N (θb − θ0 ) tiene
Por otra parte sea Γ(θ) = E(∂gi (θ)/∂θ0√
una distribución normal limite dada por N (θb − θ0 ) → N (0, VW ), donde :

VW = (Γ0θ0 W −1 Γθ0 )−1 Γ0θ0 W −1 ΨW −1 Γθ0 (Γ0θ0 W −1 Γθ0 ) (169)

El estimador GMM de dos etapas eficiente, elige la matriz de ponderaciones WN de

manera tal que plimN →∞ WN = Ψ y por tanto se tiene que VW = (Γ0θ0 W −1 Γθ0 )−1 . La
matriz que cumple con las condiciones anteriores es la siguiente :
N
1 X b
WN (θb1 ) = gi (θ1 )gi (θb1 )0 (170)
N
i=1

en donde θ1 es un estimador consistente de θ0 , el cual es obtenido en una primera etapa.

Para ver cómo funciona GMM retomemos el modelo dado por (165) el cual esta ex-
presado en primeras diferencias, y asumamos que T > 3 de manera tal que el modelo
está sobreidentificado, en particular asumamos T = 4.

En dicho caso se tiene que para t = 4 los instrumentos disponibles son yi2 y yi1 , y
para t = 3 solo tenemos disponibles yi1 como instrumento. De esta manera se puede
deducir que para t = T se tiene que los instrumentos disponibles son (yi1 , yi2 , .......yiT −2 ).

A partir de lo anterior y siguiendo a Arellano y Bond (1991), podemos escribir las

condiciones de momento para la ecuacion (165), de la siguiente manera:

E(∆υit yit−s ) = 0 i = 1 . . . N ; t = 3...T; s = 2...t − 1 (171)

(T −1)(T −2)
Las condiciones de momento disponibles son m = 2 .

Denotando las condiciones anteriores en términos matriciales tenemos que :

E(Zi0 ∆υi ) = 0 (172)

con ∆υi0 = (υi3 , υi4 , .....υiT )0 y Zi es una matriz de instrumentos definida de la siguiente
manera :  
yi1 0 0... ... 0
 0 yi1 yi2 . . . ... 0 
Zi =   .

 (173)
. . ... ... .
0 0 0 yi1 . . . yiT −2
la cual es de (T −2)×m en donde m representa las condiciones de momento disponibles.
El estimador GMM basado en las condiciones entregadas por (171), minimiza el siguiente
criterio " # "N #
N
1 X −1
X
Q= ∆υi0 Zi WN Zi0 ∆υ (174)
N
i=1 i=1

169
La elección de la matriz da lugar a dos estimadores los cuales son asintóticamente equiv-
alentes.

Para el estimador de una etapa utilizamos la siguiente matriz de ponderaciones :

"
N
#−1
1 X 0
WN 1 = Zi HZi (175)
N
i=1

en donde H es una matriz que contiene dos en la diagonal principal y menos uno en las
dos primeras subdiagonales y ceros en todo los demás lugares.

La ecuación (176) muestra el estimador que se obtiene al minimizar (174) con respecto
a α:
α
c1 GM M = [∆y−10
ZWN−11 Z 0 ∆y−1 ]−1 [∆y−1
0
ZWN−11 Z 0 ∆y] (176)
en donde ∆y−1 es un vector de N (T − 2) × 1 dado por ∆y−1 0 = (∆y 0 0 0
1(−1) , ....∆yN (−1) ) ,
del mismo modo se tiene que ∆y 0 = (∆y10 , ....∆yN 0 )0 el cual es también es de orden
0 0 0 0
N (T − 2) × 1, y finalmente Z = (Z1 , ........ZN ) , la cual es una matriz de m × N (T − 2).
El estimador αc1GM M es consistente en la medida que N → ∞, aunque no es eficiente.

El estimador eficiente el cual denominamos como α c2 GM M surge del hecho de elegir

la matriz de ponderaciones óptimas la cual tiene la siguiente forma :
"N
#−1
1 X 0 d d0
WN 2 = Zi ∆υi ∆υi Zi (177)
N
i=1

di son los residuos estimados a partir de un estimador consistente de α,

en donde ∆υ
el cual usualmente es el estimador αc1 GM M . Asi se tiene que el αc2 GM M es el mismo
estimador que el señalado por la ecuación (176) con la diferencia que la matriz WN 1 es
reemplazada por WN 2 .

8.3.2. Comparando la eficiencia de α

c1GM M yc
α2GM M
Un punto central en la decisión de ocupar α c1 GM M o bien α
c2 GM M es saber cómo
se comportan en términos de eficiencia, en particular cuando trabajamos con muestras
finitas.33

La varianza asintótica para α

c1GM M es estimada por :

V[
AR(c 0 ZW −1 Z 0 ∆y )−1 ∆y 0 ZW −1 W
α1GM M ) = N (∆y−1 N1 −1 −1 N 1 N 1 (c
α1GM M )× (178)
0 ZW −1 Z 0 ∆y )−1
Z 0 ∆y−1 (∆y−1 N1 −1

33
Sabemos que α
c2 GM M es asintóticamente eficiente en la medida que N → ∞.

170
donde se tiene que :
N
1 X 0 d d0
WN 1 (c
α1 GM M ) = Zi ∆υi ∆υi Zi
N
i=1
di = ∆yi − α
∆υ c1 GM M ∆y−1

Por otra parte la varianza para el estimador de dos etapas viene dada por la siguiente
expresión :
V[AR(cα2GM M ) = N (∆y−10
α2GM M )Z 0 ∆y−1 )
ZWN 2 (c (179)
Arellano y Bond (1991) documentan el hecho que la varianza del estimador de dos eta-
pas puede estar severamente sesgada hacia abajo en muestras finitas y por tanto las
estadísticas de prueba tienen un mayor poder tendiéndose a sobrerechazar la hipótesis
nula.

De esta manera se sugiere el uso del estimador de una etapa para la realización de
inferencias. La fuente de sesgo en los errores estándar del estimador de dos etapas
proviene del hecho que en el cálculo de (178) está presente el estimador de una etapa.

Windmeijer (2000) muestra este hecho y propone una corrección para muestras fini-
tas a partir de una expansión de Taylor de primer orden.

8.4. Algunos test de especificación

Uno de los supuestos sobre νit es que estos son serialmente no correlacionados lo que
viene expresado por :
E(νit νis ) = 0 ∀ t 6= s (180)
por tanto cuando diferenciamos (158) para remover ηi , el termino de error ∆νit que
resulta, esta por construcción serialmente correlacionado.

En particular se tiene que:

E(∆νit ∆νit−s ) = −σν2 , si s = 1

de esta forma se tiene un M A(1) de coeficiente unitario en el termino de error. La

consistencia de GM M depende fuertemente de que se cumpla (180), por tanto una vez
que se ha estimado (158) esta condición debe ser testeada, ya que de no cumplirse, las
condiciones de momento establecidas por (171) son inválidas.

Una forma de saber si se cumple o no dicha condición es saber si existe no correlación

serial de segundo orden. Para esto definamos lo siguiente :

νbit = ∆yit − α
b∆yit−1 (181)

171
A partir de (181) podemos ver que una manera fácil de entender el problema es con-
centrar nuestra atención solamente en una unidad i y ver si se cumple la condición. De
esta manera se sabe que:
0
ξi = ∆νi(−2) νi (182)
donde ∆νi(−2) y νi son de vectores de (T −4)×1. Bajo la hipótesis nula de no correlación,
ξi tiene media cero y podemos construir test para saber si efectivamente E(ξi ) = 0. Así
a partir de la simple idea anterior el test para saber si existe o no correlación serial de
segundo orden es el siguiente:
∆b 0
νi(−2) νbi
m1 = 1/2
(183)
νb∗
1/2
donde m1 tiende a una normal de media cero y varianza uno34 . Por otra parte νb∗
viene dado por:
N
X
0
νb∗ = νi(−2) νbi νi νbi(−2) −
i=1
N
X
0
2b
ν−2 X∗ (X 0 ZWN ZX)−1 X 0 ZAN ( Zi0 νbi νbi0 νbi(−2) )
i=1

+b0
ν−2 X∗ a[ b 0 νb−2
var(δ)X∗

Lo interesante de (183) está en el hecho que es flexible ya que esta definida en términos
de un estimador consistente y no necesariamente eficiente. Sin embargo, la potencia que
alcance m1 dependerá de la eficiencia asintótica del estimador que se utilice.

Si los errores no están serialmente correlacionados, entonces no se rechaza la hipóte-

sis de ausencia de correlación serial de segundo orden en ∆νit ; no obstante lo anterior,
llegaríamos a la misma conclusion si estos fueran autocorrelacionados pero el proceso
fuera un Random Walk.

Una forma para discriminar entre ambas situaciones seria la de construir un estadístico
denominado como m2 pero para probar si existe o no correlación serial de primer orden
en ∆νit .

El poder distinguir entre ambos casos no es un tema menor ya que si los errores siguen
un Random Walk al estimar por GMM y por MCO la ecuacion en primera diferencias,
ambos entregaran estimadores consistentes y por tanto se tiene que esto daría origen a
un test de Hausman de especificación.

8.4.1. Test de Sargan de sobreidentificacion

Este test busca establecer si las condiciones de momento impuestas son o no validas
en donde si m son las condiciones de momento y k los parámetros a estimar diremos
34
Arellano y Bond (1991) demuestran la normalidad asintotica de este estadístico

172
que el modelo esta sobreidentificado si p > k.

El test propuesto por Sargan viene dado por :

ν 0 Z(Z 0 ∆b
S = ∆b ν 0 Z)−1 Z 0 ∆b
ν ∆b ν ∼ aχ2p−k (184)

donde νb es construido a partir del estimador de dos etapas, para una matriz de in-
strumentos Z dada, que no necesariamente es la matriz de instrumentos óptimas. La
hipótesis nula de este test es que las condiciones de momento son validas.

Un aspecto interesante del test de Sargan es aquel relacionado con el hecho que puede
ser modificado de manera de poder trabajar con distintas hipótesis para el termino de
error νit , en particular para el tema de correlación serial.

Para entender esto, consideremos una matriz de instrumentos la cual la denominamos

por Z1 y que contiene p1 columnas que corresponden a las condiciones de momento
cuando se tiene que el término de error en niveles presenta un proceso M A(1).

El test de Sargan para las condiciones de momento anteriormente señaladas es el sigu-

iente :
S1 = ∆b ν10 Z1 (Z10 ∆b ν10 Z1 )−1 Z10 ∆b
ν1 ∆b ν1 ∼ aχ2p1 −k (185)
donde ∆b ν1 son obtenidos a partir de un estimador de dos etapas basado en la matriz
de instrumentos Z1 . De esta forma (185) puede ser comparada con (184) y por tanto
formar :
DS = S − S1 ∼ aχ2p1 −p
Los grados de libertad p1 − p están reflejando el hecho que existen condiciones de mo-
mento adicionales lo cual se explica porque la matriz de instrumentos Z es construida
asumiendo ausencia de correlación serial en νit .

Si se rechaza H0 , estamos diciendo que existen condiciones de momento mal especi-

ficadas y por tanto se tendría que usar Z1 en vez de Z.

8.5. El caso de instrumentos débiles

Como se mencionó, sabemos que una de las condiciones que debe cumplir un instru-
mento es la de estar correlacionado con la variable a la cual se va a instrumentalizar.35

Sin embargo en la estimación de paneles dinámicos usando GM M , se ha encontra-

do que en ocasiones los instrumentos muestran una débil correlación con las variables
que están instrumentalizando, lo que lleva a que las estimaciones de los parámetros del
modelo se realice con poca precision y con sesgos.
35
La otra condición es la de no estar correlacionada con el termino de error, esto al menos en términos
asintóticos.

173
Uno de los primeros estudios en dar cuenta de esto fue el realizado por Griliches y
Mairesse(1997), quienes señalan para el caso de la estimación de una función de pro-
ducción Cobb-Douglas:
En la practica, la aplicación de métodos de panel a microdatos producen
resultados muy insatisfactorios; coeficientes para el capital bajo y usualmente
insignificantes junto estimadores poco contradictorios para los retornos con-
stantes a escala
-Griliches y Mairesse (1997) Para entender
el porque se produce este problema consideremos el caso donde T = 3, de manera tal
que las condiciones de momento se reducen solamente a una condición de ortogonalidad.

En este caso GMM se convierte en 2SLS. En particular en la primera etapa tenemos :

∆yi2 = πd yi1 + ri i = 1, ....N (186)
Si el instrumento es débil, implicara que en (186), πd será no significativo, y por tanto
no cumple una de las condiciones para ser instrumento. El que yi1 este débilmente
correlacionado con ∆y2 dependerá de dos factores :
1. En la medida que α → 1, en la ecuación (158).
2. El tamaño relativo de la varianza de ηi respecto a la varianza de νit .
En efecto si consideramos el modelo original en T = 2 y restando a ambos lados yi1 se
tiene que :
∆yi2 = (α − 1)yi1 + ηi + νit (187)
El estimador de M CO para (α − 1) en (187) estará sesgado hacia arriba, es decir, hacia
cero en la medida que esperamos que E(yi1 ηi ).

Asumiendo estacionariedad en covarianza se tiene que el plimc

πd viene dado por :
k 1−α
plimc
πd = (α − 1) σ2 con k = (188)
η
+k 1+α
σν2

De (188) se desprende el hecho que plimc

πd → 0 en la medida que α → 1 o en la medida
que ση2 /σν2 → ∞.

Blundell y Bond (1999) muestran que el sesgo de GM M en presencia de instrumentos

débiles es similar al sesgo que tiene el estimador W G. La solución que se propone es
utilizar el denominado estimador GM M de sistemas el cual mezcla condiciones de mo-
mento para la ecuación en primeras diferencias y para la ecuación en niveles.

El estimador usando condiciones en primeras diferencias ya lo conocemos, por tan-

to debemos derivar un estimador para condiciones de momento en niveles, para luego
combinar ambas condiciones.

174
8.5.1. Condiciones iniciales y un estimador en niveles
Consideremos la siguiente condición :

E(ηi ∆yi2 ) = 0 i = 1, ....N (189)

La condición anterior es una restricción sobre el proceso que genera los datos, y a partir
de esta tendremos las siguientes condiciones de momento adicionales:

E((ηi + νit )∆yit−1 ) = 0 t = 3, ...T (190)

Lo anterior proviene de (189) y señala que si ∆yi2 no está correlacionado con ηi entonces
llevará a que ∆yit también no lo esté.

Esto puede ser visto en (165), donde si comenzamos a reemplazar al lado derecho de
esta ecuación, se llega a una expresión del siguiente tipo :
t−3
X
t−2
∆yit = α ∆yi2 + αs ∆µit−s (191)
s=0

donde ∆µit = (ηi + νit ) − (ηi + νit−1 ) = ∆νit .

Por tanto de (191) se deriva el hecho que ∆yit estará no correlacionado con ηi en
la medida que ∆yi2 no lo esté.

El estimador GM M en niveles puede ser obtenido mediante el uso de las siguientes

condiciones de momento:

E(∆yit−s (ηi + υit )) = 0 s = 2......t − 1

En términos matriciales tenemos lo siguiente :

E(Zli µi ) = 0 t = 2....T (192)

en donde Zli viene dada por la siguiente expresión :

 
∆yi2 0 0... ... 0
 0 ∆y ∆y ... ... 0 
Zi = 
 .
i2 i3 
 (193)
. . ... ... .
0 0 0 ∆yi2 . . . ∆yiT −1

la cual tiene dimension de (T − 2) × ml con ml = 0,5(T − 1)(T − 2).

Para la obtención de los estimadores de una y dos etapas procedemos de la misma

manera que para el estimador GM M con las condiciones de momento para la ecuación
en diferencia.

175
8.6. GMM de sistemas
Al tener las condiciones de momento en niveles y en primeras diferencias la pregunta
obvia que nos surge es ¿como combinamos estas condiciones de la manera mas eficiente
posible?.

Arellano y Bover(1995) responden esta pregunta a partir de un modelo mas general

donde se incluyen variables que pueden estar correlacionadas con ηi .36

El estimador GMM en este caso resulta de combinar las condiciones en niveles y en

primeras diferencias en forma simultanea, de manera que el sistema resultante tiene
2(T − 2) ecuaciones. Las condiciones a utilizar en la estimación son las siguientes :

E(yit−s ∆µit ) = 0 t = 2...T s = 2.....t − 1 (194)

E(∆yit−1 µit ) = 0 t = 3...T (195)

con µit = ηi + υit . Haciendo uso de matrices se tiene que :

0
E(Zsi qi ) = 0

en donde Zs es :
 
Zdi 0 0 0 0 0
· ¸  0 ∆yi2 0 ... ... 0 
 
Zdi 0  0 0 ∆yi3 . . . . . . 0 
Zs = =  (196)
0 ZliP  .. .. .. .. .. 
 0 . . . . . 
0 0 . . . . . . 0 ∆yiT −1

Al igual que en los casos anteriores, el estimador de una y de dos etapas se obtiene con
el procedimiento descrito en las secciones precedentes.

Lo interesante del estimador GM M de sistemas, es que puede ser entendido como una
combinación del estimador en primeras diferencias y del estimador en niveles usando
solo algunas condiciones de momento para este.37

Por otra parte, para el estimador en 2SLS en sistemas se puede demostrar que :
0
α
bs = (q−1 Zs (Zs0 Zs )−1 Zs0 )−1 q−1
0
Zs (Zs0 Zs )−1 Zs0 q
0 = [∆y , y ]. Y por otra parte se tiene que :
en donde q−1 −1 −1

0
q−1 Zs (Zs0 Zs )−1 Zs0 q−1 = ∆y−1
0
Zd (Zd0 Zd )−1 Zd0 ∆y−1 + y−1
0
Zlp (Zlp0 Zlp )−1 Zlp0 y−1
36
La sección siguiente se discute el caso cuando se tiene regresores adicionales a la variables depen-
diente rezagada.
37
En particular solo usamos la diagonal de la matriz Zli .

176
Usando estas dos expresiones se llega al hecho de que :

α
bs = γ α αlp
bd + (1 − γ)b (197)

definiendo α blp el esti-

bd el estimador 2SLS para la ecuación en primeras diferencias y α
mador en niveles utilizando solamente las T − 2 condiciones de momento.

Finalmente γ puede ser definido como :

0 Z (Z 0 Z )−1 Z 0 ∆y
∆y−1 d d d d −1
γ= 0 Z (Z 0 Z )−1 Z 0 ∆y 0 p p0 p −1 p0
∆y−1 d d d d −1 + y−1 Zl (Zl Zl ) Zl y−1

arreglando la expresión anterior se tiene que :

bd0 Zd0 Zd π
π bd
γ=
π 0 0
bd Zd Zd π
bd + π bl0 Zlp0 Zd0 π
bl

con π
bd y π
bl son los estimadores de OLS en la primera etapa.

De esta forma si tenemos el caso de que α → 1 o ση2 /συ2 → ∞ se producirá que

γ → 0 y el estimador en sistemas permanece entregando información ya que en (197)
α
bs → α blp y por tanto se soluciona el caso de instrumentos débiles al utilizar el estimador
de sistemas.

8.7. Analisis Multivariado

Hasta el momento nos hemos concentrado en un modelo donde como variable del
lado derecho sólo observamos la variable endógena rezagada. Como en la mayoría de
los trabajos empíricos esta variable rezagada puede ser importante en la estructura del
modelo como un mecanismo que da cuenta de los costos de ajuste, deberá existir la
posibilidad que orto conjunto de variables exógenas también sean importantes en la
explicación de la variable de interés.

De esta manera, el modelo que estamos interesados en esta sección es uno del sigu-
iente tipo :
yit = αyit−1 + βxit + µit , t = 2.....T (198)
donde µit = ηi + υit y xit es un escalar. Asumiremos que xit está correlacionado con ηi .

Por otra parte sabemos que xit puede estar correlacionado de tres maneras distintas
con υit , lo que dará origen a diversas condiciones de momento.

En primer lugar asumiremos que xit es estrictamente exógeno, lo cual puede ser repre-
sentado de la siguiente manera :

E(xis υit ) = 0 con s = 1.....T, t = 1......T

177
El segundo caso que podemos tener es que xit sea predeterimanda o débilmente exógena
donde bajo esta situación :

E(xis υit ) = 0 con s = 1....t, t = 1...T

y
E(xis υit ) 6= 0 para s = t + 1, ...T
Finalmente xit puede estar determinado endógenamente en cuyo caso se tiene que :

E(xis υit ) = 0 s = 1, ....t − 1, t = 1, ......T

y
E(xis υit ) 6= 0 s = t, ....T, t = 1, ......T

Con lo anterior tendremos distintas condiciones de momento para cada caso, en donde
las condiciones dadas por (171) se mantienen, pero para cada caso de xit tendremos
condiciones adicionales.

De esta forma, si xit es estrictamente exógena las condiciones de momento son las
siguientes :
E(xis ∆υit ) = 0 s = 1......T, t = 3, ......T (199)
lo cual origina que existen T (T − 2) condiciones de momento adicionales.

Por otra parte cuando tenemos el caso que xit es predeterminada tenemos que :

E(xis ∆υit ) = 0 s = 1....., t − 1 t = 3.....T (200)

en donde las condiciones de momento adicionales son 0,5(T − 2)(t − 1).

Por ultimo para el caso de xit endogena tenemos que :

E(xis ∆υit ) = 0 s = 2....., t − 1 t = 3.....T (201)

las condiciones disponibles son 0,5(T − 2)(T − 1).

De esta forma el estimador de sistemas se obtiene combinando las condiciones en

primeras diferencias y en niveles. Para ejemplificar esto asumamos que xit es endógeno,
de esta forma las condiciones en primera diferencias son las siguientes :

E(yit−s ∆υit ) = 0

y
E(yit−1 (ηi + υit ))

178
con t = 3...T y s = 2, ....., t − 1.

Para el caso de xit tenemos que :

E(xit−s ∆υit ) = 0

y
E(∆xit−1 (ηi + υit )) = 0
para t = 3...T y s = 2, ....., t − 1.

8.8. El estudio de Kiviet

Durante el análisis que hemos realizado a lo largo de este capítulo se ha asumido de
que la dimensión temporal del panel es relativamente corta pero donde la dimensión en
términos de individuos es relativamente grande.38

No obstante lo anterior, en la práctica podemos encontrar situaciones donde ningu-

na de las variables es relativamente grande y por lo tanto ninguno de los estimadores
anteriormente revisados entregaría resultados consistentes. Por ejemplo, en estudios de
convergencia en crecimiento económico rara vez la dimensión de T supera las 30 obser-
vaciones y N el valor de 50. O bien, en el caso chileno, un análisis comunal con datos
de la CASEN no permite un N superior a 240 por decir lo mucho.

Kiviet (1995) desarrolla una corrección al estimador WG el que como ya vimos, presenta
un sesgo sistemático el cual no desaparece conforme N crece. No obstante lo anterior,
cuando T crece este sesgo tiende a disminuir aunque no es muy claro en la literatura el
valor de T para el cual dicho sesgo desaparece.

El método lo que hace es restarle al estimador por LSDV del modelo original una
expresión que captura el sesgo cometido por este último. Cabe hacer notar que el sesgo
del estimador LSDV es función de los verdaderos parámetros del modelo. En conse-
cuencia éstos deberán ser estimados primeramente tarea que se realiza mediante una
estructura de IV sugerida por Anderson y Hsiao (1981).

8.8.1. Kiviet con mas detalle

39
Como se adelantó, el estimador de Kiviet el cual denominaremos LSDVK se ob-
tiene en dos etapas. En la primera etapa etapa usa un estimador por IV para estimar
los residuos de un estimador consistente y los coeficientes sesgados son obtenidos por
efectos fijos (LSDV). Luego en la segunda etapa se utilizan estos residuos para corregir
el sesgo del estimador por efectos fijos.
38
En efecto, los estimadores de GMM son consistentes asintóticamente para N → ∞ pero con T fijo.
39
Deseo agradecer a Jorge Hermann por aportar el material que se presenta en esta sección

179
Formalmente (198) puede ser re escrita de la siguiente forma :

y = W ϕ + (In ⊗ iT )η + ε (202)
.
donde W = [Y−1 ..X] y ϕ0 = (δ, β). El estimador de efectos fijos (LSDV) será:
−1
ϕ̂ = (W 0 AW ) W 0 Ay (203)
1 0
donde At = It − T iT iT y A = IN ⊗ AT .

Sin embargo, como se señalo anteriormente este estimador es sesgado por lo cual se
sugiere utilizar el estimador de Kiviet(1995). El sesgo será en consecuencia :

E(ϕ̂ − ϕ) = E(W 0 AW )−1 W 0 A[W ϕ + (In ⊗ it )η + ε] − ϕ

= E(W 0 AW )−1 W 0 Aε

Aquí se asume que A(IN ⊗ iT ) = (IN ⊗ AiT ) = 0, dado AT iT = 0. La expresión anterior

no es fácil de evaluar, ya que W es estocástico y no lineal.

En orden de aproximar esta expectativa se divide W en su parte estocástica W̃ y no

estocástica W̄ , es decir

W̄ = E(W ) (204)
W̃ = W − E(W ) (205)
W = W̄ + W̃ (206)
. .
donde W̄ = [Ȳ−1 ..X] y W̃ = [Ỹ−1 ..0].

La descomposición de W puede ser usada para examinar AW = A(W̄ + W̃ ). Kiviet

deriva la siguiente expresion para AW̃ :

AW̃ = (IN ⊗ AT C)εq 0 (207)

donde
 
0 · · · · · 0
 1 0 ·
 
 δ 1 0 ·
 
C= 
 δ2 δ 1 · ·

 
 · · · · · ·
 · · ·

δ T −2 · · · δ 1 0

q = (1, 0, ..., 0)0

180
Kiviet utiliza estas expresiones para derivar el sesgo del estimador de LSDV de la
siguiiente forma :

E(ϕ̂ − ϕ) = E((W̄ + W̃ )0 A(W̄ + W̃ ))−1 (W̄ + W̃ )0 Aε

3
E(ϕ̂ − ϕ) = −σε2 (D̄)−1 (g1 + g2 + g3 ) + O(N −1 T 2 ) (208)

donde :

D̄ = W̄ 0 AW̃ + σε2 N tr[C 0 AT C]qq 0

N 0
g1 = (i CiT )[2q − W̄ 0 AW̄ (D̄)−1 q]
T T
g2 = tr[W̃ 0 (IN ⊗ AT CAT )W̄ (D̄)−1 ]q
g3 = W̄ 0 (IN ⊗ AT CAT )W̄ (D̄)−1 q
N
+σε2 N q 0 (D̄)−1 q × [− (i0T CiT )tr(C 0 AT C) + 2tr(C 0 AT CAT C]q
T
Kiviet muestra que solo g1 es necesario para calcular el sesgo del estimador LSDV.

En consecuencia, el estimador de LSDVK consiste en calcular g1 usando los residuos

de IV para luego computar el sesgo el que luego se utiliza para ajustar los coeficientes
estimados por efectos fijos.

181
9. Métodos de Evaluación para Datos No-Experimentales
Objetivo: La medición del impacto de una reforma política o intervención sobre
un conjunto de variables (de predicción) bien definidas.

En general, los individuos pueden ser identificados por ciertas variables observ-
ables, -sexo, edad, educación, estado civil- y por tanto, el problema de la evaluación
es medir el impacto del programa en cada tipo de individuo.

Problema: El impacto del programa lo podemos estudiar sólo en quienes partic-

iparon y no podemos saber qué habría pasado con ellos si no hubieran participado.

La construcción de los contrafactuales es el aspecto central en los métodos de evaluación.

La construcción de los contrafactuales ha sido realizada bajo 5 procesos distintos, pero
relacionados:
1. Experimento Social Aleatorio (puro).

Se relaciona un grupo de potenciales participantes homogéneos y se deja fuera

una submuestra, aleatoriamente determinada. Administrándose el programa al
grupo restante y comprando sus perfomances relativas.

Problemas de este método:

- Muy caros raros en la práctica.
- Se necesita un grupo de control que no está afecto, bajo ninguna forma,
por las reformas (programas). No existe spillovers , institución, efectos
sobre salario de mercado, etc.
2. Experimentos Naturales.

Considera la reforma (programa) como un experimento y tratando de encontrar

un grupo comparable en forma natural. Denotado generalmente como Diferencias-
en-diferencias ya que compara la diferencia en la conducta promedio después y
antes de la reforma para el grupo elegido contrastándola con aquella conducta
promedio -antes y después- del grupo de comparación.

Recupera así, el efecto promedio del programa sobre aquellos individuos que par-
ticiparon (o fueron "tratados") capturando el efecto: "The effect of Treatment
on the Treated". Lo anterior , al remover efectos individuales no observables y
factores macro comunes.
Problemas:
- Asume que existen efectos temporales comunes entre los grupos.

182
 - No existen cambios de composición al interior del grupo.
- Así, escoger el grupo de control es muy complejo.
(ya lo veremos)

3. Métodos de Matching (calce).

Persigue seleccionar factores observables suficientes como para que dos individuos
con los mismos valores para estos factores no presenten diferencias sistemáticas
en sus reacciones a las reformas. Así, el impacto del programa puede ser aislado al
comparar dos individuos similares (clones); uno que participó y uno que no lo hizo:

Problema:
- La escogencia de las variables que serán utilizadas para definir el clon.
- Si las variables son las equivocadas, el efecto contrafactual estará incorrec-
tamente medido y así el impacto del programa.

4. Modelo de Selección.

Basado en el principio de exclusión en que una variable es necesaria para de-

terminar la participación en el programa pero no en el resultado del programa. A
diferencia del matching, el cual puede ser considerado como una selección sobre
observables, este approach (de Heckman) considera la selección basada en no-
observables.

5. Modelos de Simulación Estructural.

Usualmente utilizados para las evaluaciones de reformas impositivas, se modela

mediante un marco de elección racional el cual separa las preferencias de las re-
stricciones y por lo tanto, puede ser utilizado para simular reformas económicas
que modifican las restricciones pero que dejan las preferencias inalteradas.

9.1. Criterios para escoger una forma u otra

1. Naturaleza del programa: local-nacional, escala pequeña o global.

2. Naturaleza de la pregunta que se desea responder -impacto general, efecto del

tratamiento sobre los tratados, extrapolación u otras reformas, etc.

3. Naturaleza de los datos disponibles.

183
9.2. Qué se desea medir?
1. El impacto del programa sobre individuos con características particulares como
si fueran asignados aleatoriamente al programa de una población de todos los
individuos con otras características.

2. El impacto sobre de ciertas características entre todos que fueron asignados al

programa.

Bajo el supuesto de efecto del tratamiento homogéneo estas dos medidas son idénticas.
Pero si los efectos son heterogéneos ambas medidas pueden diferir, en particular, 2. se
conoce como "efecto del tratamiento sobre los tratados".

9.2.1. Efectos Homogéneos del Tratamiento

Yit = Xit β + di α + µit t>k

Yit = Xit β + µit t≤k
E(µit ) = 0 E(µit , Xit ) = 0

di =1 si individuo i participó en el programa (el cual ocurrió en t=k).

α: mide el impacto homogéneo del tratamiento sobre individuo i.
Con la excepción del caso de datos experimentales, la asignación al programa no es
aleatorio.

⇒ E(di , µit ) 6= 0

pues, puede ser que la decisión de participar, o el ser seleccionado depende de ciertas
características de los individuos.

Separación de la decisión de participar.

Ni = Zi · γ + νi

donde N: índice de participación (VAN, etc).

con di =1 si Ni =0.
di =0 otro caso

184
9.2.2. Efectos de Tratamiento Heterogéneos
Aquí el impacto del programa varía entre individuos. También dichos efectos difer-
enciados pueden influenciar el proceso de decisión (es decir, correlación con indicador
di ).
Sustituyendo de otros regresores X,

Yit = β + di αi + µit t>k

αi : impacto del tratamiento en individuo i.

Si α: impacto promedio sobre la población.

εi : desviación del individuo i en la media población.
αT : impacto promedio del tratamiento sobre los tratados.

αi = α + εi

αT = α + E(εi |di = 1)

donde E(εi |di = 1) desviación media del impacto entre los participantes. Así el impacto:

Yit = β + di · α + [µit + di · εi ]
= β + di · α + [µit + di (αi − α)]

Aquí, el problema adicional que surge como consecuencia de la participación heterogénea

es la forma del término de error. µit + di (αi − α), el cual cambia de acuerdo a si fue
tratado o no.
La identificación de α es mas difícil en el caso de correlación con el indicador de
tratamiento (participación). Notar que si E(εi · di )6= o tendríamos que E(εi |di )6= 0 y así:

E(Yit |di ) = β + di [α + E(εi |di )] + E(µit |di )

En este caso, OLS identifica:

E(α̂) = α + E(εi |di = 1) + E(µit |di = 1) − E(µit |di = 0)

Así, aún si µit no está correlacionado con di , de tal modo que E(µit |di = 1)=E(µit |di =
0)=0 sigue existiendo el problema de identificación.
Solo es posible identificar: αT = α + E(εi |di = 1), es decir, el impacto del tratamiento
sobre los tratados.
Ello pues separar de que el término de error µ no este correlacionado con el proceso de
decisión el componente del efecto del programa específico al individuo εi , probablemente
lo esté. En general, se espera que los individuos considera sus condiciones específicas en
su decisión y en consecuencia E(εi |di = 1)6=0 y por lo tanto, la identificación de α se
hace mas dificultosa.

185
9.3. Datos Experimentales
Si el diseño del programa escoge aleatoriamente una muestra del grupo de personajes
elegibles para participar donde la elección es absolutamente es independiente del posible
resultado, entonces
1
α̂ = Y t − ς 0t t>k
(1) (0)
donde Y t y ς t son los resultados medios en los tratados y no tratados en el tiempo
t después del programa.

Pero:
- si existen dropouts (non random)
- si se le ofrece otros programas a los no-seleccionados
- si el experimento en si altera la conducta de los tratados/no tratados.
Entonces
- consistencia de α̂ es invalidada.

9.4. Non-experimental data

Aún si el diseño del grupo de control obedece a criterios o reglas de comparación
basada en información observable, lo cual es ya difícil, no podemos garantizar diferencias
en no-observables.
Este es el típico problema de selección.
E(α̂) = α + [E(µit |di = 1) − E(µit |di = 0)]
En el caso en que E(µit |di )6= 0, si vemos que los términos anteriores se cancelan, esta
esperanza será diferente de α. Así, estimadores alternativos serán necesarios: IV, selec-
ción, diff-in-diff, matching.
Ejemplo ilustrativo: Estudio de LaLonde (1986), ver tablas:
Comparison of Treatments and Controls:
Characteristics for the NSWD Males
Treatments Controls
Age 24.49 23.99
Years of school 10.17 10.17
Proportional high-school drop-outs 0.79 0.80
Proportional married 0.14 0.13
Proportional black 0.76 0.75
Proportional Hispanic 0.12 0.14
Real earnings one year before treatmenta 1,472 1,558
Real earnings two year before treatmenta 2,860 3,030
Hours worked one year before treatment 278 274
Hours worked two year before treatment 458 469
Number of observation 2,083 2,193
a: Annual earnings in US dollars.

186
 Annual Earnings of Male Treatments and Controls
Treatments Controls
1975 3,066 3,027
1976 4,035 2,121
1977 6,335 3,403
1978 5,976 5,090
Number of observation 297 425

Estimated Treatment Effects for the NSWD Male Participants

using the Control Group and Comparison Groups from
the PSID and the CPS-SSA.
Comparison Unadjusted Adjusted Unadjusted Adjusted Two-step
Group difference of difference of difference-in- difference-in- estimator
mean post- mean post- differences differences
programme programme
earnings earnings
Controls 886 798 847 856 889
PSID 1 -15,578 -8,067 425 -749 -667
PSID 2 -4,020 -3,482 484 -650 -
PSID 3 697 -509 242 -1,325 -
CPS-SSA 1 -8,870 -4,416 1,714 195 213
CPS-SSA 2 -4,095 -1,675 226 -488 -
CPS-SSA 3 -1,300 224 -1,637 -1,388 -

Definitions:
PSID 1 -all male household heads continuously in the period studied (1975-78) who were less than 55
years old and did not classify themselves as retired in 1975.
PSID 2 -all men in PSID 1 not working when surveyed in the spring of 1976.
PSID 3 -all men in PSID 1 not working when surveyed in either the spring of 1975 or the spring of
1960.
CPS-SSA 1 -all males based on Westat’s criterion except those over 55 years old.
CPS-SSA 2 -all males in CPS-SSA 1 who were not working when surveyed in March 1976.
CPS-SSA 3 -all males in CPS-SSA 1 who were unemployed in 1976 and whose income in 1975 was
below the poverty level.

187
 Revisión principales métodos para datos no-experimentales.

La metodología apropiada para trabajar la evaluación de programas con datos no-

experimentales depende de tres puntos:

1. tipo de información disponible

2. modelo subyacente

3. parámetros de interés

IV
para single
cross-section Heckman
two-step

difference-in-difference
Longitudinal o matching
repeated cross
section propensity
scores /
matching / dif

Veamos cada uno de ellos.

9.4.1. Datos de corte transversal

Recordemos el modelo original (caso impacto homogéneo)

Yit = Xit · β + di · α + µit t>k

Ni = Zi · γ + νi

con ½
1 si Ni > 0;
di =
0 otro caso

1. Método por variables instrumentales (IV).

Requiere la existencia de al menos un regresor exclusivo para la regla de decisión

con Z ∗ satisfaciendo los siguientas requerimientos

- Z ∗ determine la participación en el programa:

-tiene un coeficiente no-cero en la regla de decisión
- podemos encontrar una transformación g tal que g(Z ∗ ) sea no-correlacionado
con el error µ dadas las variables exógenas X.

188
 - Z ∗ no esté completamente determinado por X.

Así la(s) variable(s) Z ∗ son los instrumentos que entregan la variación exógena
que aproximan el diseño aleatorio.
Entonces en la regresión por IV, el indicador de tratamiento es reemplazado por
g(Z ∗ ) o bien, alternativamente, se usa tanto X como Z ∗ para predecir d, creando
una nueva variable dˆ la que se incorpora a la regresión en vez de d.

Problemas de esta metodología:

- A pesar de su simpleza, la escogencia de los instrumentos no es fácil, particular-

mente para que cumplan con los 3 requerimientos planteados. Una solución
es considerar valores rezagados de las variables determinantes.
- En el caso de impacto heterogéneo a pesar de que Zi∗ puede no estar correla-
cionado con µit , si

µit + di · εi = µit + di (αi − α)

dado que Zi∗ determina di por definición, entonces el error estará correlaciona-
do con Zi y por tanto IV no es aplicable en el caso de impacto homogéneo.

2. Método de selección de Heckman.

Para el caso de impacto homogéneo, este método es análogo a un Tobit general-

izado (tipo II) donde

φ(Zi · γ)
E(Yit |di = 1) = β · Xi + α + ρ ·
Φ(Zi · γ)
y

φ(Zi · γ)
E(Yit |di = 0) = β · Xi − ρ ·
1 − Φ(Zi · γ)

con las mismas salvedades descritas para el Tobit en que Z y X deben tener al
menos una variable diferente y γ̂ puede ser estimado regresionando N = Zi γ por
Probit.
Ahora, cuando existen efectos de tratamiento heterogéneos, el modelamiento es
un poco más complejo. Considerando que αT = α̂ + E(εi |di = 1), entonces

Yit = β · Xi + di · α + [µit + di · εi ]

puede ser reescrito

Yit = β · Xi + αT · di + {µit + di · [εi − E(εi |di = 1)]}

Yit = β · Xi + αT · di + ξit

189
 El procedimiento en dos etapas requiere el conocimiento de la distribución con-
junta de µit , νi y εi . Si esta es normal con σv = 1, entonces
φ(Zi · γ)
E(ξit |di = 1) = corr(µit + εi , νi ) · V ar(µit + εi )1/2 ·
Φ(Zi · γ)
−φ(Zi · γ)
= ρ(µ,ν,ε) ·
Φ(Zi · γ)
análogamente
−φ(Zi · γ)
E(ξit |di = 0) = corr(µit , νi ) · V ar(µit )1/2 ·
1 − Φ(Zi · γ)
−φ(Zi · γ)
= ρ(µ,ν) ·
1 − Φ(Zi · γ)
y así, la regresión queda:
· ¸
φ(Zi · γ) −φ(Zi · γ)
Yit = β · Xi + di αT + ρ(µ,ν,ε) + (1 − di ) · ρ(µ,ν) · + δit
Φ(Zi · γ) 1 − Φ(Zi · γ)
pudiendo identificarse αT pero no α.

9.4.2. Matching Estimators.

Estos evalúan los efectos del tratamiento al comparar los outcomes de las personas
tratadas con aquellos de personas similares en un grupo de control o comparación.
Esta similitud se determina si tienen características observables similares las que son
medidas por alguna medida de distancia métrica.

Notación.
Y1 = outcome de los tratados.
Y0 = outcome de los no-tratados.
D=1 si la persona recibe tratamiento (D=0 si no).
X: vector de características utilizadas como variables de condicionamiento.
P(X)= Pr(D=1|X).

Como vimos existen dos tipos de estimadores de pareo (ME):

ì) Cross-sectional (CS): el que compara los outcomes para los tratados y el grupo de
comparación medidos en algún período después del programa.

ii) difference-in-difference (DID): el que compara el cambio en el outcome de los

tratados con aquellos no tratados, donde el cambio es medido relativo a un perío-
do base previo al programa.

190
La principal ventaja de DID sobre CS es que considera las diferencias no observables-
contantes en el tiempo-en los tratados y no tratados.
Adicionalmente a los dos estimadores vistos en la clase anterior, aquí veremos tres
a) nearest neighbor cross-sectional matching estimator

b) nearest neighbor DID matching estimator

c) kernel and local linear versions de los dos anteriores

(existe también el regression adjusted matching explicado en Heckman, Ichimura, Todd
(97,98)).

Supuestos para la identificación de los diferentes estimadores.

Como habríamos dicho en la clase anterior, un parámetro de interés clave es el impacto

promedio del programa sobre los tratados. Este puede ser definido condicional en
algunas características X con:

∆D=1 (X) = E(Y1 − Y0 |x, D = 1)

o bien un parámetro promedio puede ser definido sobre un soporte (región) de X, Sx :

R
E(Y1 − Yo |X, D = 1) · fx (X|D = 1) · dX
∆D=1 = Sx R
Sx fx (X|D = 1) · dX

donde fx (X|D=1) es la densidad de X.

Todos los estimadores que veremos tratan de estimar el impacto medio del tratamiento
en los tratados ∆D=1 .

a) Cross Sectional
Supuestos:

(CS.1) E(Y0 |P(X),D=1)=E(Y0 |P(X),D=0).

(CS.2) 0 < P r(D = 1|X) < 1.

Así
n1
X
ˆ CS 1 b 0i |P (Xi ), Di = 0)
∆ D=1 = · Y1i (Xi ) − E(y
n1
i=1
{Di =1}

Con n1 el número de individuos tratados con valores de X que satisfacen CS.1.

b 0i |P (Xi ), Di = 0) puede ser estimado en forma no paramétrica por nearest
E(Y
neighbor, kernel o local linear regression (los que ya veremos):

191
b) Difference-in-difference (DID) Matching Estimators.
Para su implementación se necesita datos cross-sectional repetidos o datos longi-
tudinales tanto para participantes como no participantes. Sea t y t’ dos períodos
en el tiempo uno antes del comienzo del programa y otro después del término
de este. Y0t es el outcome observado en t. Las condiciones que se necesitan para
implementar de estos estimadores son:

(DID.1) E(Y0t − Yot0 |P (X), D = 1) = E(Yot − Y0t0 |P (X), D = 0).

(DID.2) 0 < P r(D = 1|X) < 1.

Así
n1t
b DID 1 X
∆ D=1 = {Y1ti (Xi ) − Ê(Y0ti |P (Xi ), Di = 0)}
n1t
i=1
{Di =1}
n1t0
1 X
− {Y0t0j (Xj ) − Ê(Y0t0j |P (xj ), Dj = 0)}
n1t0
j=1
{Dj =1}

Implementación

Paso 1: Estimar el modelo de participación en el programa.

También denominado "propensity score"es una manera de reducir la dimensión

del problema de condicionamiento en el matching. Esto es, se reduce el problema
del matching a un problema unidimensional no-paramétrico al estimar E(Y0 |D =
0, P (X)) en vez del problema de dimensión k E(Y0 |D = 0, X).
La estimación de los PS requiere escoger un conjunto de variables condicionantes
X. Donde es fundamental de que los X no están influenciados por el programa.
Sino los estimadores por matching no medirán correctamente el efecto del progra-
ma pues no capturarán cambios en la distribución de las variables X medidas por
el programa.
Por esta razón, las variables X estarán relacionadas con las características individ-
uales de las personas (firmas, hogares) antes de entrar al programa. En Heckman,
Ichimura y Todd (99) la historia de empleo en el año anterior al programa de en-
trenamiento es un predictor fundamental en la participación. En general, entre
mas variables se consideran en X mejor y no considerar variables muy generales
como son característica demográficas.
Qué pasa si los datos (del grupo de control) no son aleatoriamente determinados?
Por ejemplo, puede suceder que los individuos del grupo de control estén sobre o
subrepresentados en relación con su frecuencia en una población aleatoria.
Amenija (1985) sugiere que se debe considerar el log [P̂ (Xi )|1 − P̂ (Xi )] en vez de
los propensity scores estimados.

192
Paso 2: Construir los matching outcomes.

Ello requiere estimar E(Y0i |P (Xi ), Di = 0) en el caso de CS y E(Y0ti |P (Xi ), Di =

0) y también E(Y0t0i |P (Xi ), Di = 0) para el estimador DID.
Existen variadas formas para estimar estas medias condicionales. En general, co-
mo es demostrado en Heckman, Ichimura y Todd (97):

Loss estimadores de las medias condicionales pueden expresarse como promedio

ponderado de los outcomes observados para aquellos con Di = 0.
Así
n0
X
(CS) Ê(Y0i |P (Xi ), Di = 0) = [ωj (P (Xi ))] · Y0j
j=1
{Dj =0}

que en el caso de kernel, los puros ωj vienen dado por

³ ´
P̂ (Xi )−P̂ (Xj )
K hn
ωj (P (XI )) = no µ ¶
X p̂(Xi ) − p̂(Xk )
K
hn
K=1
{DK =0}

con K la función kernel y hn bandwidth. En forma particular,

a) Estimadores "simple average nearest neighbor"

Para implementar este estimador se necesita primero determinar cuantos

vecinos serán utilizados (p.e. Z).
Para ello

i) determine |P (Xi ) − P (Xj )| para cada observación tratada i y todos los

miembros del grupo de comparación j.
ii) ordene las j observaciones en términos de |P (Xi ) − P (Xj )| de menor a
mayor.
iii) Sea Ax un índice del conjunto de Z observaciones con los menores valores
de |P (Xi ) − P (Xj )|. Estos son los vecinos mas cercanos.
iv construya los matched outcomes como un promedio simple sobre los out-
comes de los vecinos mas cercanos.
Z
1 X
Ê(Y0i |P (X0 ), Di = 0) = · Yoj
Z
j=1

{Dj ∈ AZ }

193
 b) Kernel regression matching estimator.
El estimador anterior o bien asigna un peso de Z1 o 0 a las observaciones del
grupo de control. Así, si Z=5 entonces el segundo o tercer vecino mas cercano
reciben el mismo peso en la estimación del valor esperado condicional.
Un Kernel regression escoge el peso de tal forma de que la observación mas
cercana en términos de |P (Xi ) − P (Xj )| recibe mayor peso.
Una forma de Kernel es la bi-weight Kernel:
½ 15 2
K(s) = 16 · (s − 1) para |s| < 1
0 otro caso

conde,
R en general, los
R Kernels escogidos deben cumplir con la condición de
que K(s)ds = 1 y K(s)sds = 0.
Aquí el ancho hn es análogo al problema de escoger el número Z en el caso
anterior.
³ Los pesos
´ a las observaciones Dj = 0 dependerán de los valores de
P (X )−P (X )
i j
K hn .
En términos prácticos una forma de definir a hn es hn = |P (Xi ) − P (Xj )|
para el z-ésimo vecino cercano. Así, el hn variará dependiendo de la cantidad
de datos (vecinos) que tenga cada punto de P (Xi ) (o en cada i ∈ {Di = 1})
otra forma es escoger un hn ∈ [0,2,0,4].

c) Local Linear Regression Estimator (LLR).

De nuevo, la diferencia solo yace en los pesos donde en el caso de LLR, éstos
vienen determinados por:
P 0 P 0
Kij nK=1 KiK (PK − Pi )2 − [Kij (Pj − Pi )][ nK=1 KiK (Pk − Pi )]
ωj (P (Xi )) = Pn0 Pno 2
Pn0 2
j=1 Kij K=1 KiK (Pk − Pi ) − [ j=1 Kij (Pj − Pi )]
³ ´
P (XI )−P (Xj )
donde KiK = K hn
también se puede demostrar (Fan (1992,1993)) de que el LLR estimator de E(Y0 i|P (Xi ), Di =
0) puede ser visto como la solución hata al problema siguiente de regresión pon-
derada:
Xn0 µ ¶
2 P (Xi ) − P (Xj )
mı́n (Y0j − a − b · (P (Xj ) − P (Xi ))) · K
a,b hn
j=1
{Dj =0}

Así, para cada valor P (Xi ) requiere por WLS Y0j sobre una constante y P (Xj ) −
P (Xi ) usado las personas con Dj = 0 y así el intercepto estimado será un esti-
mador de E(Y0i |P (Xi ), Di = 0).

Qué pasa si no hay matches cercanos?

194
Los estimadores no paramétricos de E(Y0i |P (Xi ), Di = 0) esta definido solamente
en los puntos de la densidad f (P (Xi )|D = 0) > 0. Esto significa que deberían
existir valores de P (Xj ) para el grupo de Dj = 0 en la vecindad de los puntos de
evaluación P (Xi ).
Así, observaciones Di = 1 que no tengan un P (XJ ) cercano a P (Xi ) deben ser
excluidas de la estimación.
En general, deberíamos considerar el support para P(X) donde tanto fx (P (X)|D =
1) > 0 como también fx (P (X)|D = 0) o sea la región de overlapping support.
Una forma de determinar este soporte común es al dibujar el histograma de P (Xi )
tanto para los tratados como los de control e identificar visualmente los rangos
donde no hay matches cercanos.
Una forma mas rigurosa de determinar esta región de soporte común es calcular
la densidad F (P (Xi )|D = 0) en cada punto de los P (Xi ) para las observaciones
Di = 1 madiante estimadores de densidad no-paramétrica. Por ejemplo:
Xn0 µ ¶
P (xi ) − P (xK )
fˆ(P (Xi )|Di = 0) = K
hn
K=1
{DK =0}

Una vez que los estimadores de las densidades en cada punto son obtenidos se
debe ordenar los estimadores de densidad. Así, todos los valores de P (Xi ) para
los cuales las densidades estimadas exceden el limite de 1 o 2 % cuantil son con-
sideradas dentro de la región de soporte común. Aquellos por debajo deben ser
excluidos de la estimación.
(Ahora si la región de traslape es muy pequeña es muy pequeña, entonces se deben
recalcular los P(X) al considerar otros X).

Descomposición del sesgo.

Sesgo =: E(Y1 |X, Di =!) − E(Y0 |X, Di = 0) = B1 + B2 + B3

B1 sesgo por non-overlapping support de X
B2 error en la ponderación incorrecta en el canon support de X pues las distribu-
ciones de los tratados y no tratados no son exactamente iguales aún en el
soporte común.
B3 sesgo de selección verdadera (econométrico) resultante de la "selección en no
observables"
DID matching con canon support corrigen por los primeros dos y el tercero, se
asume que es cero.

En general, DID con common support es la forma adecuada, en la medida de

lo posible, de aislar el efecto del tratamiento promedio en los tratados.

195