PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

FACULTAD DE CIENCIAS SOCIALES

ESPECIALIDAD DE ECONOMÍA
SEMESTRE 2016-II

ECONOMETRÍA 2
MODELO DOBLEMENTE CENSURADO

Profesor: Luis García N. (lgarcia@pucp.edu.pe)

Jefe de práctica: Erika Collantes G. (erika.collantes@pucp.edu.pe)

1. Modelo doblemente censurado

Suponga que para una muestra aleatoria (xi ; yi ) de una población, yi es una variable doblemente censurada.
Es decir:

yi = xi + ui

2
ui N (0; )

yi = a1 si yi a1

yi = yi si a1 yi a2

y1 = a2 si yi a2
Donde xi es un vector de covariables 1xk, un vector de coe…cientes y a1 < a2 son constantes de censura
conocidas por el investigador. Con esta información responda las siguientes preguntas:

1. Encontrar P (y = a1 jx) y P (y = a2 jx) en términos de la distribución normal estándar, x; y :

Solución:

La probabilidad de que y = a1 es:

Pr (y = a1 jx) = Pr (y a1 jx) = Pr (xi + ui a1 jx)

ui a1 xi
= Pr (ui a1 xi ) = Pr

a1 xi
=

La probabilidad de que y = a2 es:

Pr (y = a2 jx) = Pr (y a2 jx) = Pr (xi + ui a2 jx)

= Pr (ui a2 xi ) = 1 Pr (ui a2 xi )
ui a2 xi a2 xi
=1 Pr =1

a2 xi
=

1
2. Para a1 < yi < a2 encontrar P (y Y jx). Utilice la expresión resultante para encontrar la densidad de
y dado x cuando a1 < yi < a2 :

Solución:

Ahora debemos encontrar la función de distrubición (acumulada) Pr (y Y jx) cuando a1 < y < a2 .
Nosotros sabemos que cuando a1 < y < a2 se cumple y = y . Entonces:
Pr (y Y jx) = Pr (y Y jx) = Pr (xi + ui Y)
ui Y xi
= Pr (ui Y xi ) = Pr

Y xi
=

Una vez que tenemos la función de distribución (acumulada), podemos conseguir la de densidad derivan-
do. La función de densidad de yjx cuando a1 < y < a2 es (yjx).
Y xi
d
(yjx) =
dY
Y xi 1
=

Por tanto, hasta ahora tenemos las siguiente probabilidades para los valores de la variable observada
y:
a1 xi
Pr (y = a1 jx) =

a2 xi
Pr (y = a2 ) =

Y xi
Pr (y Y jx; a1 < y < a2 ) =

3. Encuentre E(yjx; a1 < y < a2 ) y E(yjx):

Solución

Para encontrar E (yjx; a1 < y < a2 ):

E (yjx; a1 < y < a2 ) = E (y jx; a1 < y < a2 )
= E (x + ujx; a1 < x + u < a2 )
= E (x jx; a1 x < u < a2 x ) + E (ujx; ua1 x < u < a2 x )
1 a1 x u a2 x
=x + E ujx; < <

Teorema sobre variables aleatorias normales censuradas.

Si z N (0; 1), y c1 < c2 entonces:
(c1 ) (c2 )
E (zjc1 < z < c2 ) =
(c2 ) (c1 )

Haciendo uso del teorema:

2 3
a1 x a2 x

E (yjx; a1 < y < a2 ) = x + 4 5

a2 x a1 x

(A1 ) (A2 )
=x +
(A2 ) (A1 )

2
 Donde:
a1 x
A1 =

a2 x
A2 =

Para calcular E (yjx) vamos a necesitar algunas cosas que hemos calculado antes. Para empezar, ob-
servemos que la esperanza puede tomar los siguientes valores:
8
< a1 si y a1
= E (yjx; a1 < y < a2 ) si a1 < y < a2
:
a2 si y a2

Por otra parte, del ejercicio anterior sabemos que las probabilidades para cada caso son:

a1 xi
Pr (y = a1 jx) = = (A1 )

a2 xi
Pr (y = a2 ) = = ( A2 )

Y xi
Pr (a1 < y < a2 jx) = = (A2 ) (A1 )

Por lo tanto, la esperanza condicional de y la podemos conseguir como una suma de los posibles valores,
ponderandolos por su probabilidad:

E (yjx) = a1 Pr (y = a1 jx) + a2 Pr (y = a2 ) + E (yjx; a1 < y < a2 ) Pr (a1 < y < a2 jx)

(A1 ) (A2 )
= a1 (A1 ) + a2 ( A2 ) + x + [ (A2 ) (A1 )]
(A2 ) (A1 )
= a1 (A1 ) + a2 ( A2 ) + [ (A2 ) (A1 )] x + [ (A1 ) (A2 )]

4. Explicar por qué utilizar el método OLS en las observaciones no censuradas (a1 < y < a2 ) no resulta
en un estimador consistente de :

Solución:

Observese que en el modelo, la esperanza de yjx en el intervalo (a1 ; a2 ) es:

(A1 ) (A2 )
E (yjx; a1 < y < a2 ) = x +
(A2 ) (A1 )

Sin embargo, la estimación por MCO ignora la existencia del término no lineal de la derecha. De
esta manera, si se estima en la submuestra por MCO, el resultado será distinto al de hacer la misma
estimación introduciendo la variable excluida. También será distinto de estimar yi = xi + ui con
todos los datos.
5. Escriba la función de log-verosimilitud para la observación i:

Solución:

De…namos como el vector que incluye todos los parámetros = ( ; ). De esta manera, lo que
debemos hacer es aplicarle logaritmos a la función de masa de probabilidad:
8
>
< ln ( (A1 )) si yi = a1
1 yi xi
L ( jxi ) = ln (f (yi jxi )) = ln si a1 < yi < a2
>
:
ln ( ( A2 )) si yi = a2

3
 Si utilizamos la función indicadora, podemos expresar la log-verosimilitud para la observación i de la
siguiente manera:

1 yi xi
L ( jxi ) = 1 [yi = a1 ] ln ( (A1 )) + 1 [yi = a2 ] ln ( ( A2 )) + 1 [a1 < yi < a2 ] ln

Si queremos obtener la log-verosimilitud para todas las observaciones, solo sumamos:

N
X
L ( jx) = L ( jxi )
i=1

dE(yjx)
6. Encuentre una expresión para dxj :

Solución:

Para calcular el efecto marginal de x sobre E (yjx) es necesario utilizar el resultado obtenido en (3).

E (yjx) = a1 (A1 ) + a2 ( A2 ) + [ (A2 ) (A1 )] x + [ (A1 ) (A2 )]

Entonces, el efecto marginal es:

dE (yjx) d fa1 (A1 ) + a2 ( A2 ) + [ (A2 ) (A1 )] x + [ (A1 ) (A2 )]g

=
dx dx
d [a1 (A1 )] d [a2 ( A2 )] d f[ (A2 ) (A1 )] x g d [ [ (A1 ) (A2 )]]
= + + +
dx dx dx dx
dA1 dA2 d [ (A2 ) (A1 )]
= a1 (A1 ) + a2 ( A2 ) ( ) + fx g + [ (A2 ) (A1 )]
dx dx dx
d (A1 ) dA1 d (A2 ) dA2
+
dA1 dx dA2 dx
dA1 dA2 dA2 dA1
= a1 (A1 ) a2 ( A2 ) + (A2 ) (A1 ) x + [ (A2 ) (A1 )]
dx dx dx dx
dA1 dA2
+ ( ) (A1 ) A1 ( ) (A2 ) A2
dx dx

= a1 (A1 ) a2 ( A2 ) + (A2 ) (A1 ) x + [ (A2 ) (A1 )]

dA1 dA2
+ ( ) (A1 ) A1 ( ) (A2 ) A2
dx dx

Donde se ha utilizado:
1 1 2
d (A1 ) d 2 exp 2 A1 1 1 2 2
= = exp A : :A1 = ( ) (A1 ) A1
dA1 dA1 2 2 1 2

Y que: h i
a1 x
dA1 d
= = :
dx dx

4
 Seguimos:

dE (yjx) a1 (A1 ) a2 ( A2 )
= + + [ (A2 ) + (A1 )] x + [ (A2 ) (A1 )]
dx
+ ( ) (A1 ) A1 ( ) (A2 ) A2

a1 (A1 ) a2 ( A2 )
= + + [ (A2 ) + (A1 )] x + [ (A2 ) (A1 )]

+ (A1 ) A1 (A2 ) A2

a1 (A1 ) a2 (A2 )
= + + [ (A2 ) + (A1 )] x + [ (A2 ) (A1 )]
+ [ (A1 ) A1 (A2 ) A2 ]

Notar que:
2
a1 x a1 x
(A1 ) A1 = (A1 ) = (A1 )

2
a2 x
(A2 ) A2 = (A2 )

2 2
dE (yjx) a1 a2 x x
= (A1 ) + (A2 ) (A2 ) + (A1 )
dx
2 2
a1 x a2 x
+ [ (A2 ) (A1 )] + (A1 ) (A2 )
2 2 2
a1 a1 a2 a2 x x x
= (A1 ) (A1 ) + (A2 ) (A2 ) + (A1 ) (A1 ) (A2 )
2 2 2 2 2
x x x x x
+ (A2 ) + (A1 ) (A1 ) (A2 ) + (A2 ) + [ (A2 ) (A1 )]
= [ (A2 ) (A1 )]

El efecto marginal sobre la variable observable y es el coe…ciente estimado ( ) multiplicado por la

probabilidad de que a1 < y < a2 ( (A2 ) (A1 )).
7. ¿El análisis cambia si a1 y a2 son remplazados por parámetros de censura especí…cos a cada individuo
(a1i y a2i )?¿Esto depende de la relación del error ui con (xi ; a1i ; a2i )?

Solución:
Si en vez de a1 y a2 se tuviera a1i y a2i , es decir, puntos de censura especí…cos para cada individuo,
el análisis es el mismo.
Sin embargo, si estos puntos estuviera correlacionados con el término de error, los resultados no serán
válidos. (selección en no observables)