TOPICOS DE ECONOMETRIA APLICADA

Uso de Variables DummyCross Section

Daniel Lema

Introducción

• Variables categóricas: dificultad de cuantificación

• Ej.diferencias salariales hombre/mujer

• Diferencias de nivel: dummy

• Interacciones: efectos no lineales

Determinantes de Salarios

• El modelo de capital humano• Adam Smith: diferenciales explicados por

características del trabajo• Educación como inversión: correlación

entre habilidad y educación implica mayor dispersión de ingresos

• Entrenamiento en el trabajo como inversión (experiencia)

• Screening: Arrow - Spence

Medición

• Encuestas de hogares: importantes fuentes de error para determinar salarios

• Determinación del nivel de educación y medición de calidad

• Problemas para la estimación de experiencia

Formas Funcionales

• La mayor parte de la literatura• ln yi = f(si, xi, zi) + ui

• I = 1, …, n• y=salarios• s=educación• x= experiencia• z=otros factores (género, localización,

etc.)

Formas Funcionales

• lnYs = ln Y0 + r.s + u

• r = tasa de retorno a la educación• Ecuación de Mincer

• lnYi = ln Y0 + .si + ki Xi + ui

• También

• lnYi = ln Y0 + .si + Xi + Xi2 + ui

• Reconociendo la imposibilidad de recuperar información de k y la no linearidad de X

Formas Funcionales

• También

• lnYi = ln Y0 + .si + Xi + Xi2 + .si Xi+

ui

• Reconociendo la posibilidad de interacción o efectos no lineales entre educación y experiencia

Incorporando Dummies

• lnYi = ln Y0 + .C1i + .si + Xi + Xi2 +

.si Xi+ ui

• Donde C es una variable dummy que refleja la pertenencia (o no) a la categoría 1 del individuo i

• Incorporando una dummy de Género

• lnYi = ln Y0 + .C1i + G. DGi + .si + Xi + Xi

2 + .si Xi+ ui

Incorporando Dummies

• Con interacción

• lnYi = ln Y0 + .C1i + G.DGi + G1.DG1i +

si + Xi + Xi2 + .si Xi+ ui

• Donde DG1i = C1i * DGi

Recordar el problema de sesgo por variables omitidas

• Si el modelo es

• Yi = + Xi + Zi + ui

Pero tenemos datos solo para X

(un ejemplo clásico puede ser habilidad en ecuaciones de salarios como variable omitida)

plim ’ = cov (X, Z)/var (X)

(donde el ‘ representa el estimador)

Recordar el problema de sesgo por variables omitidas

• Yi = + Xi + Zi + ui

• El sentido del sesgo será:

Cov(X,Z) >0 Cov (X, Z)<0

+ -

- +

Algunos Resultados

• Mincer (74)

• lnY = 4.87 + 0.255 s – 0.0029 s2 – 0.0043sX + 0.148X - 0.0018X2

• R2 = 0.309

• Y=earnings