Академический Документы
Профессиональный Документы
Культура Документы
Getafe, Madrid
Octubre-November 2008
y = β0 + β1 x1 + u
donde
Cov (x, u ) 6= 0
score = β0 + β1 skipped + u
El problema es que el número de clases no atendidas, skipped, puede
estar correlado con otros factores en u, ya que mejores estudiantes
normalmente faltan menos a clase.
Una buena VI debería no tener efecto directo sobre score y no estar
correlada con la habilidad del estudiante, y a la vez, estar correlada
con skipped.
Distancia entre el domicilio y el campus.
vemos que
∑i (zi z̄ )(yi ȳ )
β̂1 = ∑i (zi z̄ )(xi x̄ )
El estimador de VI de β0 es simplemente
β̂0 = ȳ β̂1 x̄
Var (u jz ) = σ2 = Var (u ).
Entonces
σ2
AVar ( β̂1 ) = nσ2x ρ2xz
σ̂2
2
STC x R xz
σ̂2 = 1
n 2 ∑ ûi2
IV MCO
Como ρ2x ,z <= 1 entonces AVar ( β̂1 ) AVar ( β̂1 )
SCE
R2 = 1 SCT
En este caso R 2 puede ser negativo ya que SCE puede ser mayor que
SCT.
y1 = β0 + β1 y2 + β2 z1 + u1
y1 = β0 + β1 y2 + β2 z1 + u1
que son un sistema de 3 ecuaciones con 3 incógnitas, β̂0 , β̂1 , β̂2 : los
estimadores de Variables Instrumentales.
Si y2 = z2 porque creemos que es exógena, entonces tenemos que
EVI=EMCO.
y2 = π 0 + π 1 z1 + π 2 z2 + v2
donde
E (v2 ) = 0, Cov (v2 , z1 ) = 0, Cov (v2 , z2 ) = 0.
y los π j son parámetros desconocidos.
Forma reducida de y2
y2 = π 0 + π 1 z1 + π 2 z2 + v2
donde
E (v2 ) = 0, Cov (v2 , z1 ) = 0, Cov (v2 , z2 ) = 0.
y1 = β0 + β1 y2 + β2 z1 + . . . + βk zk 1 + u1
y2 puede estar correlada con u1 .
Se dispone de una variable zk para hacer de instrumento de y2 .
Asumimos que
E (u1 ) = 0, Cov (u1 , zj ) = 0, j = 1, . . . , k.
La forma reducida para y2 es
y 2 = π 0 + π 1 z1 + . . . + π k zk + v2 .
π k 6= 0
y2 = π 0 + π 1 z1 + π 2 z2 + π 3 z3
La forma reducida de y2
y2 = π 0 + π 1 z1 + π 2 z2 + π 3 z3 + v2
divide a y2 en dos partes
y2 = π 0 + π 1 z1 + π 2 z2 + π 3 z3 que es la parte de y2 incorrelada con
el error u.
v2 : que es la parte posiblemente correlada con u, por lo que y2
Con los datos sobre zj podemos calcular y2 para cada observación si
se conocen los π j .
En la práctica los π j s deben estimarse por MCO y computar para
cada i, ŷi 2 :
ŷ2 = π̂ 0 + π̂ 1 z1 + π̂ 2 z2 + π̂ 3 z3
Sin embargo los errores estándar de esta segunda etapa no son los
correctos para EMC2.
y1 = β0 + β1 y2 + β2 z1 + . . . + βk zk 1 + u1
Cada zj está incorrelado con u1 .
Necesitamos al menos una variable exógena que esté correlada
parcialmente con y2 (aparte de las zj , j = 1, . . . , k 1 ya presentes
en la ecuación).
Para que los e.s.y estadísticos t habituales sean válidos se necesita
una condición de homoscedasticidad: la varianza de u1 no puede
depender de ningún regresor exógeno.
y1 = β0 + β1 y2 + β2 y3 + β3 z1 + β4 z2 + β5 z3 + u1
Consideramos el modelo
y1 = β0 + β1 x1 + β2 x2 + u
donde y y x2 son observados, pero no x1 .
Sea x1 una medida observada de x1 :
x1 = x1 + e1
donde e1 es el error de medida.
z1 = x1 + a1