TOPICOS DE ECONOMETRIA APLICADA Uso de Variables Dummy Cross Section
description
Transcript of TOPICOS DE ECONOMETRIA APLICADA Uso de Variables Dummy Cross Section
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