Eksamensnoter Til Advanced Microeconometrics

Eksamensnoter Advanced Microeconometrics Anders Munk-Nielsen
Januar 2011
Eksamensnoter Adv. Microeconometrics

Resume: Disse noter er mine personlige noter til eksamen i mikrokonometri ved Kbenhavns Universitet i
efterret 2010. Hverken forelseren, velseslren eller noget andet menneske brer noget ansvar for indholdet
heri og jeg gr intet krav p, at have opfundet indholdet heri. Jeg lader disse noter vre frit tilgngelige til privat
og ikke-kommerciel brug og til underholdning ved festlige lejligheder.
Noterne er sandsynligvis fulde af fejl og mangler og tyrklejfs, s de skal lses med den allerstrste kritiske
sans og kun bruges som en stige til at n op til en hjere forstelse. S snart denne er net, m du kaste stigen bort
og skrive dine egne noter og lgge dem ud p internettet til fremtidige mikrokonometripadawans. Du er nu
blevet en jedi og m vie resten af dit liv til at sprede det gode budskab. Som Ludwig Wittgenstein sagde;
My propositions are elucidatory in this way: he who understands me finally recognizes them as senseless,
when he has climbed out through them, on them, over them. (He must so to speak throw away the ladder, after he
has climbed up on it.) - He must surmount these propositions; then he sees the world rightly.
Anders Munk-Nielsen
Side 1 af 63
Januar 2011
Indhold
10
Basic linear unobserved effects .................................................................................................................. 6
10.1
Random effects .................................................................................................................................. 6
10.1.1 Test for unobserved effects............................................................................................................ 7

10.2
Fixed effects....................................................................................................................................... 7
10.2.1 Inferens .......................................................................................................................................... 8

10.3
FD metoder ........................................................................................................................................ 9
10.3.1 Inferens ........................................................................................................................................ 10

10.4
Sammenligning ................................................................................................................................ 10
10.4.1 FE vs. FD ..................................................................................................................................... 10

10.4.2 FE og RE quasi time-demeaning .............................................................................................. 10
10.4.3 Hausman: sammenligning af RE og FE ...................................................................................... 11
11
More topics in linear unobserved effects ................................................................................................. 11
11.1
Oversigt............................................................................................................................................ 11
11.2
Sekventiel eksogenitet ..................................................................................................................... 12
11.2.1 Instrumentering ............................................................................................................................ 12

11.2.2 Contemporaneous korrelation mellem en x og u ......................................................................... 13
11.3
Individual slopes .............................................................................................................................. 14
11.4
GMM tilgang ................................................................................................................................... 14
11.5
Chamberlains tilgang ...................................................................................................................... 14
11.6
Specielle ........................................................................................................................................... 15
11.6.1 Hausman-Taylor .......................................................................................................................... 15

12
M-estimation ............................................................................................................................................ 16
12.1
Setup ................................................................................................................................................ 16
12.2
2-trins estimation ............................................................................................................................. 17
12.3
Konsistens og asymptotisk normalitet ............................................................................................. 17
12.4
Varians-estimation ........................................................................................................................... 17
12.4.1 Uden nuisance.............................................................................................................................. 17

12.4.2 Var-est med nuisance ................................................................................................................... 19
12.5
Testning (12.6) ............................................................................................................................... 19

Side 2 af 63
Januar 2011
12.5.1 Wald ............................................................................................................................................ 19

12.5.2 LM ............................................................................................................................................... 20
12.5.3 Tests baseret p ndringer i objctive function (QLR) ................................................................ 20
12.6
13
Optimerinsgalgoritmer ..................................................................................................................... 21
Maximum Likelihood estimation ............................................................................................................. 21
13.1
Avar estimation ................................................................................................................................ 21
13.2
Testning ........................................................................................................................................... 21
13.3
Panel ................................................................................................................................................ 22
13.3.1 Unobs.eff. and strict exo .............................................................................................................. 22

13.3.2 Lagget afh. var (y-var) ................................................................................................................. 23
13.4
14
Uncond. MLE (UMLE) vs. cond. MLE (CMLE) ............................................................................ 23
GMM ........................................................................................................................................................ 24
14.1
Efficiente instrumenter (14.5.3, pp. 439-442) ............................................................................... 24
14.2
Classical Minimum Distance (CMD) .............................................................................................. 24
15
Discrete Response Models ....................................................................................................................... 24
15.1
Linear Probability Model (LPM) problematisk ............................................................................ 24
15.2
Latent variabel model probit og logit ........................................................................................... 25
15.2.1 MLE (pp. 460-461) ...................................................................................................................... 25

15.3
Tests i binary response index modeller ........................................................................................... 26
15.3.1 Hetsked ........................................................................................................................................ 26

15.4
Reporting results .............................................................................................................................. 26
15.5
Random Utility Model ..................................................................................................................... 26
15.6
Specification issues .......................................................................................................................... 27
15.6.1 Neglected heterogeneity (c udeladt) ............................................................................................ 27

15.6.2 Endogen, kontinuert variabel ....................................................................................................... 27
15.6.3 Nr den endogene variabel er binr ............................................................................................ 29
15.6.4 Hetsked & ikke-normalitet .......................................................................................................... 30
15.6.5 Manskis maximum score estimator estimation under svagere antagelser............................... 30
15.7
Panel data / cluster samples ............................................................................................................. 30
15.7.1 Pooled estimation ........................................................................................................................ 31

15.7.2 Unobserved effects probit ............................................................................................................ 31
Side 3 af 63
Januar 2011
15.7.3 Logit: unobs eff og streng exo (FE logit, skodnavn) ................................................................... 33
15.7.4 Dynamic unobs.eff (state dependence) ........................................................................................ 33
15.7.5 Andet ........................................................................................................................................... 34
15.8
Multinomial response ...................................................................................................................... 34
15.8.1 Multinomial logit ......................................................................................................................... 34

15.8.2 Probabilistic choice models: ........................................................................................................ 35
15.9
16
Ordered response ordered logit/probit .......................................................................................... 36
Censored regressions and corner solution models ................................................................................... 37
16.1
Tobit ................................................................................................................................................. 37
16.1.1 Estimation .................................................................................................................................... 37

16.1.2 Quantities of interest .................................................................................................................... 37
16.2
Neglected heterogeneity (16.6.1) ................................................................................................... 38
16.3
Endogenous...................................................................................................................................... 39
16.4
Hetsked & ikke-normalitet .............................................................................................................. 39
16.5
Estimation under svagere antagelser ............................................................................................... 39
16.5.1 Powel estimatoren........................................................................................................................ 39

16.5.2 Alternativer til Tobit for Corner ekstensiv vs. intensiv part.eff. .............................................. 40
16.6
Tobit for panel ................................................................................................................................. 41
16.6.1 Sml. med alm. tobit ..................................................................................................................... 41

16.6.2 Tobit med unobserved effects...................................................................................................... 41
16.6.3 Dynamic unobserved effects tobit ............................................................................................... 42
17
Sample selection attrition and stratified sampling ................................................................................... 43
17.1
Sample selection .............................................................................................................................. 43
17.2
Simpel model ................................................................................................................................... 43
17.2.1 ML i sample selection PMLE ................................................................................................... 44

17.2.2 Sammenligning: ML vs. Heckit .................................................................................................. 44
17.2.3 Ad 2SLS p selekteret data .......................................................................................................... 44
17.2.4 Ad 3: Truncation (selektion p y) ................................................................................................ 45
17.2.5 Probit selektion exogene variable (Heckit) .............................................................................. 45
17.2.6 Probit selektion endogene variable ........................................................................................... 46
17.2.7 Tobit med eksogene forklarende vars .......................................................................................... 47
Side 4 af 63
Januar 2011
17.2.8 Tobit med endogene forklarende vars ......................................................................................... 48

17.3
Paneldata: Sample selection ............................................................................................................ 49
17.3.1 Fixed effects p ubalancerede paneler ......................................................................................... 49

17.3.2 Test / korrektion for sample selection bias .................................................................................. 50
17.3.3 Attrition man vlger at udg af sample.................................................................................... 50
17.3.4 Inverse probability weighting (IPW) ........................................................................................... 51
17.4
18
Non-parametric bounds ................................................................................................................... 52
Treatment effects ...................................................................................................................................... 52
18.1
Noten................................................................................................................................................ 52
18.1.1 Nonparam id ignorability of treatment ..................................................................................... 53

18.1.2 Regressions and switching models .............................................................................................. 53
18.1.3 Regression discontinuity ............................................................................................................. 53
18.1.4 Before-after .................................................................................................................................. 54
18.1.5 Selection and treatment effects .................................................................................................... 55
18.1.6 Estimation af ATE ved IV under antagelse af homogen treatment effect ................................... 55
18.1.7 Heterogene treatment effects (v0 v1) ....................................................................................... 56
18.1.8 LATE (local average treatment effects) ...................................................................................... 56
18.1.9 Essential heterogeneity and IV (sorting on the gain) .................................................................. 57
18.1.10
Sammenhng med den simple sample selection model ......................................................... 57
18.2
Ikke-parametrisk tilgang .................................................................................................................. 58
18.3
Mere parametrisk tilgang ................................................................................................................. 58
18.3.1 Switching regression ................................................................................................................... 59

18.3.2 Svagere antagelser to ukendte g-funktioner ............................................................................. 59
18.3.3 Regression disc. designs .............................................................................................................. 60
18.4
Propensity score ............................................................................................................................... 60
18.4.1 ATE skrevet som funktion af p, som estimeres med probit ........................................................ 60
18.4.2 Regressr y p w og p-hat............................................................................................................ 61
18.5
Matching .......................................................................................................................................... 61
18.6
IV-metoder ....................................................................................................................................... 61
Side 5 af 63
Januar 2011
Side 6 af 63
Januar 2011
10 Basic linear unobserved effects

CROSS-SECTION Lsninger p uobserveret heterogenitet, ! , ! 0
-
Proxy
IV (2SLS)
Indikator-IV
PANEL
Antager ! er tidskonstant
BEMRK tidskonstante !"# er kan ikke identificeres separat fra ! .
Antager balanceret panel ubalancerede hndteres senere.
EKSOGENITET
Streng eksogenitet :!" !! , , !" , ! = !" !" , !
Hvis vi kun betinger p er !" !! , , !" = !" + ! !! , , !" ,
dvs. kvivalent med streng exo ! !! , , !" = !
BEMRK
-
-lags streng exo kan aldrig holde !!! ! !!! ! = !! > 0.
desuden giver -lags ser.korr. i composite error term pr. konstruktion ! !!! = ! > 0.
FREMGANG 2 sprgsml
1) Er ! korreleret med !" for noget ?
2) Holder streng eksogenitet (betinget p ! )?
NAVNGIVNING
Random Effects ! , ! =
Fixed Effects ! , !
10.1 Random effects

IDE udnytte ser.korr. i !" til at lave GLS
ANTAG
1) Ortogonalitet
a.
!" ! , ! = 0
b. ! ! = ! = 0
i. Tilstrkkeligt for konsistens !! ! =
ii. ! = 0 er without loss of generality nr der er intercept.
2) Rank rank !! ! = , hvor ! !! .
For efficiens ANTAG YDERLIGERE
3) Efficiens af RE
a.
! !! ! , ! = !! !
b. !! ! = !!
Da er = !! ! + !! ! !!
ESTIMATION
Side 7 af 63
Januar 2011
Alm. FGLS varians

= !! ! + !! ! !!
!!
!! !! !
!" =
!! !! !
!!!
!!!
!!
!! !
!" =
!!!
hvor
!
1
=
! ! ,
1
!!! !!!
2
Frste trin baseres p pooled OLS.
!!
!!
1
=

!
!
!"
,
!! = !! !! ? ?
!!! !!!
brug dog robust varians, hvis muligt

F-TEST
Brug fra ! modellen til at udregne bde !"#$%
og !"#$
!"
!" (selvflgelig).
10.1.1
Test for unobserved effects
IDE svarer til at teste !! = 0

-
(hvilket svarer til at teste ser.korr. i !" , dvs. AR(1)-test, men bedre at teste direkte p !! )
PROBLEM hvad er !! ?
LSNING streng eksogenitet giver
!
!!!
!
!!!
!!! !" !"

!!! !" !"
~ 0,1
FORDEL opdager mange typer ser.korr. i !"

ULEMPE streng exo m ikke indeholde laggede er!
10.2 Fixed effects

!" = !" + ! + !"
! = ! + ! ! + !
ANTAG (FE.X)
1) !" ! , ! = 0
a.
OBS! streng eksogenitet, dvs. :!" !! , , !" , ! = !" !" , !
b. Evt. tnk !" ! , ! = !" = 0.

c.
2) rank
OBS! !" ! , ! = 0 !" !" , ! = 0, specielt !" !" , ! = 0.

!
!!!
!!" !"
= rank !! ! =
3) ! !! ! , ! = ! !! = (kun ndv. for efficiens af FE)

OBS! FE1 + FE2 unbiasedness
ESTIMATION
Side 8 af 63

!!
!! !
!" =
!! !
!!!
Januar 2011
!!
!!" !"
!!!
!!" !"
!!! !!!
!!!
PRAKSIS
Premultiply med ! ! !! ! ! =eye(T) T^-1 * ones(T,T).
NAVNE
-
Within within each cross-section HER
Between between each cross section
LSDSV
!
!!! 1
Viser sig FE = Least Squares Dummy Variable Estimator !" p dummies for personer,
svarer til at estimere ! for alle men medfrer ikke incidental parameters problem ( stadig kons.).
-
10.2.1
MEN stor ! giver id om fordelingen af heterogeniteten i populationen.
Inferens
INFERENS
!"
1
= !! !! !
!!
!"
1
= !!
!! !
!!!
PAS P! !! = !" !" .
!! fs ved frst at beregne !" !" !" !" og s udnytte

!!
!!
!
!!!
1
= !!
!!
!! !
!!! !!!
!
!"
= 1 !! . Da er
!! = !! (unbiased).
PROBLEM FE-transformationen introducerer serielkorrelation i !" pr. konstruktion

-
fordi !" ! . Men betydningen svinder som !" , !" = 1/ 1
MEN det bliver et mindre problem (??)

Robust varians og seriel korr i idiosynkratiske fejl
Seriel korr i !" ?
Problem vi har ikke !"
vi kan udnytte, at !" , !" =
!
!!!
reg !" p !,!!! for alle = 3, , og test ! =
Problem serielkorrelation under !

Lsning brug flg. robuste variansestimator
!
!" =
!!
!! ! !
!!
!!!
som er robust for heteroskedasticitet og seriel korrelation i !"

kan bruges til at lave Wald-tests.
Side 9 af 63
!
!!!
Januar 2011
Fixed Effects GLS

ANTAG
! !! ! , ! = ! !! !! !
-
dvs. FJERN FE.3.
muligt at lave en GLS analyse

PROBLEM det viser sig, at ! !! = ! ! !! ! , som har rang p kun 1!! Dvs. ikk invertibel!
LSNING Drop en tidsperiode og lav GLS
1) Estimr !" og drop s en tidsperiode (fx den te) fra datasttet.
2) Estimr !!
!
!!! ! ! .
!!
!
! !!
!!! ! !
3) Estimr !"#$%
!
! !!
!!! ! !
ALTERNATIV
-
Man kan specificere en eller anden struktur p !" og udlede en stuktur p
Fx BFN (1982) antager stabil, homoskedastisk, AR(1) afh. kun af ! , ! , !" .
MEN efficient hvis korrekt, inefficient ellers.
Generelt: policy implementation

Faktisk er ortogonalitetsbetingelsen jo !!" !" = !!" !" !"
dvs. i nogle situationer, hvor deltagelse i et program er betinget af karakteristika fr programmet
!,!!! , kan FE godt vre konsistent selvom POLS / RE ikke er det, hvis ortogonaliteten overholdes
-
(dvs. hvis det var givet at man ville deltage, bare ikke hvornr??)
10.3 FD metoder
!" = !" + !" , = 2,3, ,
ANTAG
1) !" ! , ! = 0
a.
Som FE.1
b. OBS! streng eksogenitet, dvs. :!" !! , , !" , ! = !" !" , !

c.
2) rank
3)
! !!
a.
Evt. tnk !" ! , ! = !" = 0.

!
!!!
!!" !"
! , ! =
! !!
=
= !! !!! , hvor ! = ! (kun ndv. for efficiens af FD)
MODSTNING til FE.3 FD.3 !" ~random walk
b. (FE.3 !" , !,!!! = )

BEMRK
-
Vi mister n periode!
Alle !"# er skal variere over .
Egentlig skal !" bare vre ukorr. med !" , !,!!! , !,!!! fr vi fr konsistens!
VIGTIGT
-
Under FD.1-3 er alm. inferens valid under POLS p et data!

Side 10 af 63

10.3.1
Januar 2011
Inferens
OBS! Ikke ndvendigt at tnke s meget som i FE alm. inferens @ POLS p et data er valid.
-
(huskeregel: I FD har vi af 2 stok var selv stok var alle antagelser laves p den. I FE har vi stok
var minus noget, som bliver deterministisk nr )
!" = !! !
!!
Robust !" = !
!!
!"!
!!! !!!
!
!! ! !!
!!
!!
!!!
SERIEL KORR i !" = !"

-
Kr reg !" = ! !,!!! + !" , = 3,4, ,
alm. -test af ! ! = 0.
OBS! !" ukorrelerede !" autokorr med !" , !,!!! = 0.5.
10.4 Sammenligning
10.4.1
FE vs. FD
= 2 FE = FD
> 2: valget afh. af antagelser om !"
OBS! Endogenitet (mlefejl, tidsvar.udeladte, simultanitet) bde FE & FD inkons med hver sin plim!
TEST STRENG EXO
IDE hvis FD (el. FE) modellen er korrekt og ! = !! , !! , br !! vre insign (den er taget hjde for).
! = ! + !! + ! ,
-
! str exo =
(evt. same men I FE framework)
GLS OBS! FE-GLS og FD-GLS er asymptotisk kvivalente

10.4.2
FE og RE quasi time-demeaning
Det viser sig, at RE estimation svarer til at estimerer

!" ! = !" ! + !" !"
!" = !" + !"
=1
1+
-
= 0 POLS
= 1 FE
1 for for store er RE FE
1 for !! /!! 0 dominerer brug FE
!!
!!
Side 11 af 63
Januar 2011
RE Hjlp til en estimator i nd

10.4.3
Inkludr dummies for grupper der er meget ens, dvs. som har ens ! er.
Hausman: sammenligning af RE og FE
! !" , ! = 0
ULEMPER
1) Streng eksogenitet antages bde under ! og !
2) RE3 antages at holde under ! . Dvs. vi tester ! RE.1 RE.3 . ! FE.1
a.
(ellers fr test.str. en skr asymptotisk fordeling)
IDE Det viser sig, at under RE.1-RE.3, er
!" !"
!"
!"
Test-str. er:
Hausman = !" !"
!" !"
!!
!
!" !" ~ !
Sdvanlige estimetorer for bruges,
MEN brug !! fra et framework, ikke fra hver sit ellers risikeres, at den bliver ikke-pos.def.
1 VARIABEL
!!" !!"
~ 0,1
. . !!" . . !!"
BEMRKNINGER
-
kan klares @ aux regression af quasi time-demeaned (q.t.d.ed) !" p q.t.d.ed !" samt en alm. (FEstyle) time-demeaned !" (de tidsvarierende elementer i !" ).
-
kr s -test af koeff. p !" eller Wald
kan evt. gres robust for RE3 i denne setting brug robust Wald.
11 More topics in linear unobserved effects

11.1 Oversigt
!" = !" + ! + !"
Antagelser
Foretrukket model
!" !! , , !" , ! = 0
RE udnytter bde info within og between grupper
! !! , , !" = ! = 0
!" !! , , !" , ! = 0
! !! , , !" !
!" !! , , !" , ! = 0
!" !,!!! , , !" , ! 0
! !! , , !" !
FE el. FD. udnytter kun within-group info.

Valg mellem FE/FD afh. af antagelser af tidsserieafh. i
!" (kun efficienshensyn)
!" predetermined brug IV/GMM
FD ligningen og brug laggede niveauer som instr.
Bruger within-group info
Side 12 af 63
Januar 2011
RSAGER (alm.)
1) Udeladt tidsvarierende variabel
2) Simultanitet mellem !" og !"
!!" !"
3) Mlefejl i !"
SKAL BRUGE instrument !" ukorr med ! og !"
nogle gange kan panel-aspektet bruges
-
(transformer fjerner ! brug s IV)
11.2 Sekventiel eksogenitet

!" = !" + ! + !"
ANTAG (seq.exo) !" !" , , !! , ! = 0,
= 1, ,
KVIVALENT (nr modellen tages i betragtning):

!" !" , !,!!! , , !! , ! = !" !" , ! = !" + !
-
Nr !" og ! er kontrolleret for, hjlper det ikke yderligere at kontrollere for fortiden af !"
OBS! MILDERE antagelse end !" ! , ! = !" + ! !
BEMRKNING
-
Hvis !!! ! , vil seq.exo. dyn.compl.
Seq.exo. !!" !" = 0, = 1, , .
FE OG FD ER INKONSISTENTE!
-
11.2.1
FE Bias introduceres fordi fremtid er i tidsgns.

-
fordi !!! ! , s !!!! ! 0 ! ! 0
MEN hvis yderligere det antages at !" , !" er weakly dep., er inkons af odten !!
FD Bias fordi to p hinanden flgende perioder sttes sammen

-
!!" !" = !!" !,!!! 0 nr vi kun har seq.exo.
OBS! Bias uaf. af (da p hinanden flgende perioder)
Instrumentering
FE krver strengt eksogene instrumenter

FD krver seq.exo. instrumenter.
MULIGE INSTR I FD
!" !! , , !" , ! = 0 !!" !" = 0,
!!" !"
= 0,
= 1, ,
= 1, , 1
(alle) laggede niveauer (og funktioner heraf, fx er) (op til 1) kan instrumentere !"
bl.a. !,!!! instr for !" (husk, eneste problem er (!,!!! og !" ).)
BEMRKNINGER
-
lille stor varians
Selvom instr. gyldige, er det ikke sikkert, at de er relevante.
AR(1) model !,!!! indgr allerede som regressor

-
Anderson & Hsiao (1982) foreslog !,!!! eller !,!!! som IV

Side 13 af 63

-
Januar 2011
Arellano & Bond (1991) Bruge alle tilgngelige som IV @ GMM (ej muligt i 2SLS da #instr varierer
med )
! 1 !,!!! , , !! er svage instrumenter.
Blundell & Bond antog ! trukket fra steady-state distr. hjlper p efficiens, men realisme??
EFF.GMM @ alle instrer

! = ! + !
past
!!
!
past
!!
past
!,!!!
Nogle xer str.exo., nogle seq.exo.

Eksempelvis !" = !" + !" + ! + !" , hvor seq.exo. og str.exo.
-
Model: !" = !" + !" + ! + !" skriv op en ligning for !" = !" + ! !,!!! + ! + !"
-
!
klart at !,!!! !" = ! !" !" = ! !"
> 0.
FD + IV FD fjerner ! , men inducerer muligvis endogenitet hvis ! 0 (dvs. nr !" ej str., men kun
seq. exo)
-
11.2.2
!" kan vre sit eget instrument brug !,!!! (!,!!! ) som instr for !" (!,!!! ).
Contemporaneous korrelation mellem en x og u

!" = !" + !" + ! + !" ,
!!" !"
3 mulige ophav:
1) Udeladte tidsvariante forklarende variable
2) Mlefejl
3) Simultanitet
a.
(kan alternativt lses ved at medtage en ligning for den simultane vars bestemmelse)
FREMGANG
1) Transformr data (FE eller FD)
2) Brug IV af en art hvilke instrer afh. af anvendelsen.
FD bedre end FE
-
FD er robust for mere generelle overtrdelser af str.exo end FE
Vi kan teste for ser.korr. p et data
Arellano & Bond (1991) foreslr GMM-baseret test for ser.korr. i !" .
Simultanitet
MULIGHED 1 LAGGEDE ER SOM INSTRER
OBS! ! og ! er korrelerede for alle , s !" kan kun estimeres med !,!!! fordi
!,!!! !" = !,!!! !,!!! 0
BEMRK
Side 14 af 63

-
Januar 2011
simultaniteten kommer nu ikke fra det, at vi lagger, men er med dobbelt (hver gang ! og ! er
sammen)
ALTERNATIVT
-
lagget !,!!! kunne bruges, men det krver, at der ikke er seriel korrelation i !"
(siden !" (i niveau) ikke indgr i ligning kan den mske bruges som IV men formentligt SVAGT!)
MULIGHED 2 EKSTERNE INSTRUMENTER

FIND nogle eksterne instrumenter og kr POOLED 2SLS p
!" = !" + !" + !" ,
= 2, ,
Udeladt tidsvariant variabel

FD (el. FE) efterfulgt af IV
Ikke altid oplagt smart bare at bruge laggede variable
find eksternt exo instrument
Mlefejl
(I classical errors in variables under str.exo. FE forvrrer mlefejl)
Vi m finde et instrument udover de variable, vi har.
Hvis der er seriel korrelation i mlefejlene, kan vi mske bruge !,!!! , !,!!! som instr for !" .
11.3 Individual slopes

!" = ! + ! + !" + !"
METODE FD for at slippe af med !
!" = ! + !" + !"
HUSK FE var som at estimere model med individuelle intercepts
-
hvis !" er ser.ukorr., homosked (betinet p !" ),
s er FE p et data konsistent & asym.normalfordelt (men ej asym efficient)
11.4 GMM tilgang

MOTIVATION hvad hvis ! ! + ! ! (RE) eller ! ! , ! ikke var konstant?
3SLS kan vre bedre end alm. RE (mere fri )
Men bedste er fuld GMM / min- ! estimation med fuld frihed i vgtmatrix
11.5 Chamberlains tilgang

ANTAG
-
Streng eksogenitet !" !! , , !" , ! = !" = 0, = 1, , (dvs. FE.1)
!" indeholder kun tidsvarierende variable
MEN Tillad arbitrr korrelation mellem ! og ! .

IDE Erstatte ! med projektionen p ! Vi kan altid skrive
Side 15 af 63
Januar 2011
! = + !! ! + + !" ! + !
-
Pr. konstruktion er ! = 0, og ! !" = ,
MEN ! ! (! ) generelt!
INDST
!" = + !! ! + + !" + ! + + !" ! + !" ,
-
FE.1 !" = 0 og
!! !"
!" !" + !
= .
SYSTEM
!!
!!
!"
1
1
!!
!!
!!
!!
!!
!!
!"
!"
!"
!!
!!
!"
!
!
!!
!!
+
!"
! = ! + !
System-OLS er konsistent under FE.1.
MULIGE ANTAGELSER
-
! !! = !! ! system skalar-varians
! !! ! = ! !! system homoskedasticitet
-
Denne failer hvis
1) ! !! ! , ! ! !! !" ej homosked.
2) ! ! ej liner i ! forkert fkt. form for !
3) ! ! ej konstant ! ej homosked (??)
HVIS
-
Begge opfyldt SOLS efficient (??)
Failer FGLS kan bruges
GMM er mest efficient med !! = 1, !! , , !" som instrument for hver tidsperiode og med den
optimale vgtmatrix.
-
Test af over-ID test af str.exo.
11.6 Specielle
11.6.1
Hausman-Taylor
FORML identificere effekt af tidskonstante variable i tilstedevrelsen af !

MODEL
!" = ! + !" + ! + !"
ANTAG
1) !" ! , !! , , !" , ! = 0 str. exo
2) !! ! =
BEMRK
-
1) giver, at FE kunne bruges vi fr s !" , men s ville !" -leddet g ud.

Side 16 af 63
Januar 2011
IDE vi vil udnytte 2) samt at 1) medfrer !! !" = 0 til at estimere . Omskriv

!
!! !" = !! ! =
!!!
= !! ! !! ! = !! ! !
= !! ! ! !
! !!
= !! ! !! ! !
!! ! = !! ! !
ANALOGIPRINCIPPET
!!
!! !
!!
!! ! !
!!
!!!
!!!
han viser det for en mere generel model

GIV (generalized IN) TANKEGANG
Bruge !" , !! , !!! som instrumenter
-
!" instrumenterer !"
!! instrumenterer sig selv (de tidskonstante, som er ukorr. med ! )
!!! instrumenterer !! (de tidskonstante, som er korrelerede med ! )
TILGANGE i rkkeflge med stigende robusthed.

-
3SLS med p RE struktur
3SLS med urestrikteret
GMM med efficient vgtmatrix
12 M-estimation
12.1 Setup
, objective function
/!
!
,
/!
,
! ! ,
! ! ,
!
SPECIFIKATION
Modellen er velspecificeret ! ! ! = arg min ,
!
Karakteristik af ! : fx ! = arg min! ,
, hvor , ! = .
!
Estimator = arg min
!!
Dvs. estimatoren lser

!!
! ,
!!!
! ,
!!!
!!
! , = 0,
!!!
hvor ! , ! , .
Side 17 af 63
Januar 2011
IDENTIFIKATION
!
!!
! ,
! ,
!!!
! minimerer RHS hvis modellen er identificrbar.
minimerer LHS pr. valg
Hvis konvergensen er uniform, vil
! .
12.2 2-trins estimation

lser
!
= arg min
!!
! , ;
!!!
Trin 1: Estimr ,
Trin 2: Estimr .
NSKE konsistent uanset, hvordan vi vlger .
12.3 Konsistens og asymptotisk normalitet

TEOREM 12.3:
Lad alt muligt glde, da vil
!
!!
Normal 0, !!
! ! !
hvor
! , !
! , ! , !
, !
Dermed er
1 !!
!!
! ! !
!!
, ! , ! ! , !
=
= , !
!!
12.4 Varians-estimation
12.4.1
Uden nuisance
! estimeres altid p samme mde!

!
! , ! ,
!!!
! ! ,
!!
!!!
! afh. af humr:
2 TILGANGE
1) Hndvrkertilgangen udregn samt ! , indst = og tag sample avg.
Side 18 af 63

a.
Januar 2011
Altid mulig men tung og mske ej pos.def.
2) Strukturel estimation givet ! (eller ! ! ),

a.
Udnyt fx , ,
i. Udregn
= ,
! s
=: , ,
ii. Udregn , , =: ,
iii. Udregn !!
!
!!!
! , =: .
b. smart hvis betingning p giver en simpel form (fx i probit bliver led = 0)
Analogiprincippet
Brug Analogiprincippet til at estimere
!! !!
med
!
!!
! ,
!!!
!!!
DVS
1) Udregn lukket-form udtryk for og som funktion af ! og
a.
Dvs. differentier ! , to gange mht. .
2) Evalur sample avg. af disse udtryk.

OVERVEJELSER
-
NEGATIVT tung at regne, ej sikkert pos.def men den er det hvis unikt lser sample problem.
POSITIVT altid tilgngelig
2 VERSIONER
1) Antag fordeling for hele integrr blot ud og indst ! =
2) Antag kun fordeling for | integrr betinget p og tag sample analogue for at slippe af med
betingningen p .
Strukturel tilgang evalur forventninger
Givet en fordeling for , kan vi blot udregne direkte:
-
! som ! og ! , ! ,
! som ! .
OVERVEJELSER
-
NEGATIVT krver streng antagelse om
POSITIVT efficient!
Mellemting antager kun fordeling for y givet x

Hvis vi ikke vil antage fordeling for hele ! = ! , ! , men mske kun for ! |! .
Definr
! = ! , !
! = ! , !
= ! ,
S analogiprincippet motiverer
Side 19 af 63
Januar 2011
!
!!
!
!!!
SMART ofte vil nogle ting blive nul i betinget forventning (fx i NLS: = 0.)
12.4.2
Var-est med nuisance
Vi kan altid bruge den generelle

!
!!
! ,
!!
!!!
!!!
Alternativt:
!
!!
! , ! ;
!!!
hvor ; ! , ; med .
! ! ; ! ! ; + ! !
hvor = !
hvor !
!
!!! !
= (og !
+ ! 1 ,
= ! , er en bvlet, grim funktion, som formentlig skal tnkes p
som et slags generaliseret residual.

! ! ! ; ! ! ;
= ! ! ;
2-STEP M-ESTIMATOR VARIANSEN ER DA

!!
! = !!
! ! !
BEMRKNINGER
-
OBS! er linert separable I den almindelige effekt og nuisance effekten ! ! ,
MEN det er ! ikke! (den bliver interageret p kryds og tvrs pga. ^2)
MEN bemrk, at selvflgelig indgr i ! .
12.5 Testning (12.6)

12.5.1
Wald
!
! ! = ,
Testes ved
Wald
hvor
-
= , kan vlges robust (nr ! ! eller evt. hjde for nuisance)
Jacobi-matricen for ()
(skal vre invertibel)
ULEMPE
-
Ikke skalainvariant problem (primrt/kun?) ved ikke-linere hypoteser: man kan omformulere !
indtil man fr den nskede konklusion.
Side 20 af 63
Januar 2011
FORDELE
-
Estimerer kun den store model
Kan gres vilkrligt robust
12.5.2
LM
IDE hvor langt er FOC fra at vre opfyldt

OBS! Restrikterede model (~-modellen) skal vre nested i en strre model
SETUP
Imposer kontiniuert-differenntiable restriktioner p ! under !
-
Matematisk, restriktioner !!! ! , s ! ! = ! , hvor ! !!! og ! !

o
Fx ! , ! , !
= ! , hvor ! og ! sttes til konstanter fx
Vi lader da arg min

LM
!
!!!
!
!
! ,
og .
!! ! !! !! !
!!
!!
!!!
!!!
!
Hvis GIME (generalized information matrix equality, , ! , !

!
!" | =
= !! , !
! ,
!!!
og !! 1)
!!!
2 !! =
! ,
!!
!
!!
!!!
1 !! =
! ,
! !!
3 !! =
!!!
!!!
1) , ! (hvis opdeles i endo og exo ) Foretrukket hvor mulig (bedre small-sample)

2) Hesseform i) kan vre neg hvis erne ej pos.def.; ii) tung at udregne; iii) ej invariant for
reparameteriseringer.
3) Outer product of the scores Simpel at udregne, men size distortions (typisk afvises ! for ofte)
FORDELE
-
Estimerer kun den lille model.
Med forventet hesse 1 er den ofte invariant for reparameteriseringer.
ULEMPER
12.5.3
Tests baseret p ndringer i objctive function (QLR)
ANTAG at GIME holder , ! , !
= !! , !
!"# 2
!
!
! , ~ !!
! ,
!!!
og !! 1
!!!
ULEMPER
-
Forudstter, at GIME holder og kan ikke gres robust for dette.
Side 21 af 63
Januar 2011
12.6 Optimerinsgalgoritmer
MANGLER DETTE AFSNIIT
13 Maximum Likelihood estimation

13.1 Avar estimation
Definitioner:
! ! = !! !
! ! !
! ! !
= !
! ! ! !
(og hvor ! ! , ! , .)
Under regularitetsantagelser (bl.a. antagelse om korrekt specificeret model) holder teorem 13.2 (p. 395)
!
, !!
!
(fordi ! = ! i ML sammenhnge)
-
!!
!!
Dvs. = !!
! / i stedet for = ! ! ! / som i teorem 12.3.
Alle flg. 3 matricer konvergerer til den sande Avar (p. 396) baggrund: ! = ! i ML
!!
1 !!
!!
2 !!
!!!
! !
!!
3 !!
!!!
! ,
!!!
hvor ! , ! , ! , ! , dvs. der betinges p ! (!).

1) Krver beregning af de 2. afledte ikke garanteret pos.def.
2) BHHH, mske drlige egenskaber selv i relativt store sample sizes.
3) Lukket form! Kan evt. simuleres. Fordele:
a.
Afhnger (typisk) kun af 1.-afledte af en eller funktion
b. Garanteret pos.def. nr den findes (jf. CIME)

c.
Bedre finite-sample props end BHHH
KOMMENTARER
-
Bemrk, at , i visse tilflde er simpel selvom ! er bvlet (fx probit, p. 396), idet der betinges p ! ,
s nogle led bliver nul i forventning.
13.2 Testning
OBS asymptotisk kvivalente! Kun finite-sample overvejelser
Wald
LR
(Like-ratio ala -test, mere kompleksitet skal dlme give mere forklaringskraft!)
Lad
!
!!! !
. Lad ! vre estimatet nr de restriktioner er plagt og !" uden. Under ! er

Side 22 af 63
Januar 2011
!" 2 !" ! ~ !
LM
(hvor langt er hldning fra nul, dvs. hvor slemt overtrdes FOC?)
Lad ! ! vre 1 vektor af afledte af ! evalueret ved de restrikterede estimater.
Da vil
!
! !
!!!
~ ! ,
!!!
hvor avar-estimatoren kan vlges blandt de 3 nvnte

-
vlg ud fra small-sample eller beregninsgmssige betnkeligheder.
13.3 Panel
Lad ! ! vre den sande pdf. for ! givet ! .
!
!!!
BEMRK! Vi antager IKKE, at ! ! =

-
!" !" .
(dvs. antager ikke ! ! )
Men vi antager, at ! ! ! ; er en korrekt specificeret pdf for ! for hver periode, , isoleret set.
Smart teoretisk figumdik
Definr det partielle likelihood bidrag som
!
log ! !" !" ;

!!!
SMART Da ! er korrekt for alle , vil ! (unikt) maksimere log ! ! ;
for ethvert .
specielt vil den maksimere summen.

-
Bemrk mske er der information i afhngighedsstrukturen inden for individet over tid, men vi antager
intet om det og udnytter det ikke.
13.3.1
Unobs.eff. and strict exo
(han tillader, at !" kan vre en vektor (!" ))

2 possibilities
-
I begge tilflde antager vi, at fordelingen af ! |! er givet ved ; (korrekt spec)
1) Integrate out !
Frst antag !" og !" er uafh. betinget p ! , ! .
Da er den simultane tthed for !! , , !" givet ved
!
!! = ! , , !" = ! |!" = ! , ! = =
! (! |! , ; )
!!!
Og log-like er
!
! = log
! !!!
! (! |!" , ; ) ! ;
2) PMLE-agtig tilgang
Side 23 af 63
Januar 2011
Antager intet om fordelingen af !! , , !" (givet ! , ! )

I stedet siger vi, at vi for hver enkelt kan f ttheden af !" |!
!" = ! =
! ! !" , ; ! ! ; !
Nu vlger vi
!
PMLE
PMLE
= arg max
,
log
!!! !!!
! ! !" , ; ! ;
hvilket er et slags PMLE problem

13.3.2
Lagget afh. var (y-var)
Ingen problemer nr blot vi har specificeret dynamikken korrekt.

DYNAMIC COMPLETENESS er nr distr. af !" betinget p hele fortiden !! , , !"!! er lig med distr af !"
nr vi kun betinger p !"!! .
Hvis denne korrekt specificerede tthed er ! ! ! , !!! , ; ! , da er
!
!! = ! , , !" = ! !" = ! , !! = ! , ! = =
! ! ! , !!! , ; !
!!!
Og vi kan igen integrere ! ud, dvs. vi skal lave

-
INITIAL CONDITION PROBLEM !! skal hndteres
LSNING betinger p (/antager) !! = !

!
PMLE , PMLE = arg max

,
log
!!! !!!
! ! ! , !!! , ; ! , ! ;
Her er betingningen p !
KOMMENTARER
-
Vi smider den frste obs. vk.
Alt. ku man ha fundet distr. for !! meget svrt!
ASYM VAR justr for at tage hjde for at begge params. estimeres.
13.4 Uncond. MLE (UMLE) vs. cond. MLE (CMLE)

Generelt er det muligt, at der i fordelingen af er information om ! , dvs. at ! = ! ; ! .
I CMLE betiner man p og smider dermed al denne info vk
vi kalder det UMLE, nr man ikke betinger p
HVORNR ER DE LIGE GODE?
Nr Distr , = ; ; , hvor ikke er en funktion af .
Side 24 af 63
Januar 2011
14 GMM
14.1 Efficiente instrumenter (14.5.3, pp. 439-442)
Lad ! ! ! , ! ! og ! ! ! ! , ! ! . Da er det optimale valg
opt ! !
!!
! ! ,
og med dette valg er det ikke ndvendigt at bruge en vgtmatrix i GMM.

Desuden opnr vi samme efficiens som CMLE.
PROBLEM
! ! vil nsten aldrig vre kendt skal estimeres.
(desuden skal ! ! ogs estimeres)
-
! ! estimeres typisk ved at antage en art homosked.
Til ! ! skal der typisk bruges ikke-param. metoder.
14.2 Classical Minimum Distance (CMD)

IDEA
SETUP
-
Structural problem; estimate !
Reduced form; !
>
Function ! ! maps =
METHOD
-
Estimate
Choose arg min .
15 Discrete Response Models

15.1 Linear Probability Model (LPM) problematisk
PROBLEMER
-
Siden variansen for en Ber(p) variabel er 1 , er der automatisk heteroskedasticitet, da 1

afh. af .
-
kan evt. lses vha. WLS
Predikterede vrdier uden for 0; 1 .
men evt. godt initialt estimat af .
KOMMENTARER
-
Hvis dummies udgr en klassedeling, giver de bare gns. inden

Side 25 af 63
Januar 2011
15.2 Latent variabel model probit og logit

= + ,
= 1 > 0
= 1 = > 0 = > = 1
= ,
! sym
= = 1 =
KOMMENTARER
-
SKALA IRRELEVANT (eller ) kunne vre skaleret arbitrrt

-
Hvis fx ~ 0, !! , er = 1 = > = / > / = /
Derfor: normalisr med 1/! , for et valg af ! .
Retningen af effekten fra ! p og er den samme ( monotont voksende)
Indekse
!
Probit =

!!
Logit =
!
1 + !
Fortolkning af ! erne
= 1
= ! ! ,
!
Partial effects depend on
= 1 ! = 1 = 1 ! = 0 ,
Relative coefficients make sense
15.2.1
! kontinuert
! diskret
!
!
MLE (pp. 460-461)
Like bidrag
! = log ! ! ; = ! log ! + 1 ! log 1 !
Log-like function =
!
!!! !
Det kan vises, at

! =
! ! !! ! !
! 1 !
og
! , ! ! =
S
!
!!!
! !
! !
! !
! 1 !
! , .
KOMMENTARER
-
Denne er invertibel s lnge der ikke er perf.mult.kor.
Muligt med Huber-White robuste s.e.er MEN hvis er misspec. s er ogs (ligger i
naturen af ML).
-
(disse er !! !! , udregnet ved
!
!
!!! !
og !
!
!!!
! , .)
Side 26 af 63
Januar 2011
15.3 Tests i binary response index modeller

Muligt med Wald, LR og LM.
Model = 1 , = + ,
! =
WALD problematisk nr den store model er for stor ( har hj dim).

LR Krver begge estimeret.
LM Smart hvis den store er bvlet. Kan gres som auxillary regression.
-
Lad ! ! ! , ! ! , ! ! ! ! ,
Da er LM = fra reg af
!!
!! !!!!
!!
!! !!!!
! og
!!
!! !!!!
HVIS ! ER IKKE-LINER
!
Wald foretrkkes, Wald =
MEN ej invariant for reparameteriseringer
15.3.1
! !!
Hetsked
Her er ! modellen meget besvrlig (LM foretrkkes)

|~ 0, exp 2!
~ 0,1
exp 2!
s vi omskriver
= 1 = > = ! > ! = > ! = !
LM test
-
Bvlet augmented regression ala alm. LM.
15.4 Reporting results

-
Percent correctly predicted (#gange ! > , hvor ! = 1.))
Pseudo ! , hvis !" = log-like fra unrestricted, ! = log-likelihood i model med kun intercept.
!"
1
!
Evaluere i gns. personen dvs. hvor = 0.
Bemrk, s er logit 1,6probit , logit 4LPM , probit 2,5LPM
Smag og behag, hvordan dummies hndteres.
Response probabilities in ved ! ! ! .

-
std.fejl fs vha. Delta-metoden (2. ordens lokal Taylor) (se p. 467 for detaljer)
15.5 Random Utility Model
train
= train + train train + train + train
car
= car + car car + car + car
Side 27 af 63

Januar 2011
train car
train
= train
car
= 1 train car
+ train car = +
car
train car
og s kan vi kre helt alm. probit p den med reglen: Vlg bil hvis > 0.
15.6 Specification issues

15.6.1
Neglected heterogeneity (c udeladt)
Antag sande model er

, = = 1 , = +
Latent form = + + , = 1! !! , |, ~ 0,1 .

-
( = 0 w/o loss of generality)
c og x uafh.
STRK antagelse
Antag ~ 0, ! , da er + ~ 0, ! ! + 1 .
Attenuation bias: plim uden !
probit = ! /
PROBLEM
nsker Partial effect:
!"
!!!
= ! +
Men probit giver os ! / /

Probit kan ikke estimere partial effects evalueret ved = 0 konsistent
BONUS
Probit kan godt estimere de forventede (mht. ) partial effects (kaldet APE, avg. part.eff)
= ! + =
og
!

APE mht. ! eval ved =

=
= prcis hvad probit giver os
!
c og x ikke uafh.
S er probit generelt inkonsistent
15.6.2
Endogen, kontinuert variabel
Antag
! = ! ! + ! ! + !
Mistnker ! , ! 0. Skriv
! = ! !" + ! !! + ! = ! + !
! = 1!! !!
-
! ! ingen endogenitet
Side 28 af 63
Januar 2011
Nr ! , ! ~! med kovarians, kan vi skrive ! = ! ! + ! (hvor ! = corr ! , ! ), hvor ! ~ 0,1

uafh. af ! og ! ).
! = ! ! + ! ! + ! ! + !
2-trins test for endogenitet (Rivers & Vuong, 1988)
Antag ! = 1 og ! , ! ~! 0,
1
!
!
!!
Under bivariat , kan vi skrive ! = ! ! + ! . Da vil ! = ! /!! = !!
! ~ 0,1 !!
Nu kan man vise, at

! = 1 , ! , ! =
! ! + ! ! + ! !
1 !!
(lang tung snak)

METODE
ML APEs dvs. afledte eller differenser af flg. udtryk
!! ! !! + !! ! + !! !
IDE fr ! ved at reg ! p s probit af ! p ! , ! , !
1) Reg ! p ! .
2) Estimr ! = !!
!
!
!!! !!
3) Probit ! p ! , ! , ! !! , !! , !!
4) Udregn
!
som vil
!!
! !
!!
!
!! ! !! + !! ! + !! !
+
+1
!!
! !
!!
!

+1
pga. samme argumenter som ved neglected heterogenitet
(mao. kan vi tnke p ! som vi gjorde med (? eller hvad?))

TEST
Hvis ! ! = 0, er ! = ! og ! spiller alts ikke ind i frste ligning
dvs. ingen strenge antagelser p ! s fordeling krves.
! kan testes vha. den sdvanlige (?) -test p ! , asym 0,1
dog skal std.fejl korrigeres for 2-step
Alternativ til Rivers & Vuong
(smartere, da R&V er en limited information procedure)
!
Antag ~ !
!
1
0
,
!
0
! = 1 normalisering identifikation af discrete response
! 0 ! endo.
!
!!
FREMGANG
Side 29 af 63
Januar 2011
Udnyt ! , ! = ! ! , !
Ad ! Antager ! ~ ! , !!
! =
!
!!
!! !!
!!
Ad ! ! ,
-
! = ! ! + ! ! + ! /!! ! ! + ! =: + !
! |, ! ~ , !
udregninger = 1 !! = 1 ! , !
Ad ! ! , !
! , ! = !
hvor !
!!
1 !
!! ! + ! !! +
!!!!
1
! !
,
!
!
!
! !
! !!
1 !!
!!"# !! ,!!
sledes at likelihood bidragene er

! ! , ! , ! , ! , ! = !! log ! + 1 !! log 1 !
og =
!
!!! !
1
1 !! ! !
log !!
2
2
!!
! ! = 0
testes @ asymptotisk -test.

15.6.3
Nr den endogene variabel er binr
KORT FORTALT
-
Bde varians af ! og ! m normaliseres for at f identifikation
Kan ikke lse for ! den m integreres ud
! er grim!
LANGT FORTALT
! = 1 ! ! + ! ! + ! > 0
! = 1 ! + ! > 0
-
! kan fx vre deltagelse i fx jobtrningsprogram.
(proceduren er sindssygt svr at lse sig til!)

Iden er (vist), at genbruge tankegangen bag hvordan vi fandt ! = 1 ! , . Denne gang bliver
! = 1 ! , =
! ! + ! ! + ! !
S skal vi tage forventningen !! ! = 1 ! ,
1 !!
og til det bruge ttheden af ! (inden i -integralet)
til det skal vi bruge, at ! er en trunkeret normalfordelt variabel, idet ! = 1 ! > ! :

!
tthed for ! =
! > !
Vi nr frem til (bemrk, at ! spiller rollen af integrationsdummy)
Side 30 af 63

! = 1 ! = 1, =
! = 0 ! = 0, =
1
!
Januar 2011
!
!!
1
1 !
! !
!
!!
! !
Eksempel: College attendal and catholicism (Evans & Schwab, 1995)

-
! = gr man i college eller ej
! = er man katolik eller ej
Derved tillades ! at afhnge af uobserverbare faktorer.
15.6.4
Hetsked & ikke-normalitet
Hetsked
Antag ~ 0, ! i latent-variabel-formuleringen: = ! + ! ! +
!
!
= 1 ! = ! /! + ! ,
= !
+ !
!
!
!
Non-normalitet
S er probit inkonsistent
15.6.5
Men hvis fx det er fordi logit er den sande model, kan /! godt vre ret tt p.
Manskis maximum score estimator estimation under svagere antagelser
Antag = 0,
(og bemrk, at = = 1 > 0 )
-
(fordi 0,1 0,1 (medianer kan ikke vre kommatal)

!
Manski = min
! 1 ! > 0
!!!
Fordele:
-
Robust: og m godt vre afh. og er ikke restrikteret.
Estimerer konsistent op til skala god til fx ! /!
Ulemper:
-
Konvergerer med rate !/! (selvom Horowitz (1992) har en smoothed version med nsten !/! .
Vi kan ikke differentiere , s ingen partielle afledte.
Nogle gange har ! modsat indflydelse p og .
15.7 Panel data / cluster samples

Med LPM modeller kan man evt. bruge FE, FD eller RE.
men stadig ikke attraktiv for binr-respons data.
! = !! , , !" ,
! = !! , , !!
Side 31 af 63

15.7.1
Januar 2011
Pooled estimation
Model:
!" = 1 !" = !" ,
= 1, ,
PMLE-estimation (partial MLE) pooled

!
PMLE = arg max
!" log !" + 1 !" log !"

!!! !!!
PMLE er konsistent uden videre antagelser.
Brug robust var-est, !! !! , hvor .
Wald =
LM = LM
!
!
!!
, hvor er Jacobian af (12.6.1)
!
!!! !
!! ! !! !! !
!!
!!
!
!!! !
!!
DYNAMIC COMPLETENESS
!" = 1|!" , !,!!! , !,!!! , = !" !"
alm. inferens
-
OBS! Betyder ikke tidsuafhngighed !" m fx godt indeholde laggede variable.
Betyder blot, at !" !" , .
sample kan ses som en stort cross-section af str.
TEST for dyn.compl.

-
Lag.dep.var Estimr den potentielt syge, !" = !" !"
Estimr !" = 1 !" , !,!!! = !" + ! !,!!! , ! dyn.compl ! = 0
(OBS! man m droppe tidsperioder ellers !,!! som ej findes.)

15.7.2
Unobserved effects probit
ANTAGELSE
!" = 1 !! , , !" , ! = !" = 1 !" , ! = !" + ! ,
= 1, ,
Dvs. !" er strengt eksogen betinget p ! (specielt indeholder !" nok lags osv, altsdyn.compl.)
BERTELs noter ingen lagged dep.vars !,!!! siden !" ville vre perf. korr. med dem (?!?!?!)
MULIGE METODER
-
Fixed effects fjern ! ved transformation

-
SVRT pga. ikke-linearitet
Proxy for ! (nr interesse er i APE)
Pooled analyse (nr interesse er i APE)
Estimr ! Fixed effects probit (dumt navn!)
ndssvagt! Ser ! som parameter #params for .
Diskussion: man betragter ! som ikke-tilfldig modsat hvad vi vil gre!
Traditional random effects probit

-
ANTAGELSER
1) Streng exo !" = 1 ! , ! = !" = 1 !" , ! = !" + !

Side 32 af 63
2) Uafh., !! !" (betinget p ! , ! )
! , , ! , ; =
3) ! |! ~
Januar 2011
!
!!!
! ! , ;
0, !!
! ! && ! ~
METODE integrr ! ud af !
! ! , ; = ! +
! , , ! ! , ; =
! , , ! ! , ; = !
Max log-like mht. og !
!!
!
!!!
1 ! +
!!!!
! ! , ;
!
!!!
! ! , ;
!
!!!
! ! , ;
!
!!
!
!!
HURRA bde /! (part.eff. ved = 0) og ! /! (APE) kan godt estimeres!
Men hvorfor kan de pludselig det her nr de ikke kunne i alm. unobs.eff.??
INDSKUD integration
Numerisk @ quadrature
Simulation @ int tage forventning
1) Trk std.normaler ! , = 1, ,
2) Beregn !! ! !
3) Beregn
!
!!!
!" !" , !! , for hver
4) Tag gns. og logs, ! = log !!

5) = arg max !!
!
!!! !
!
!!!
!
!!!
!" !" , !! ,
SVAGERE ANTAGELSER
-
Generalized estimating equations

-
Response prob. specificeres kun betinget p ! , ikke ! .
Krver specifikation af ! ! (), men robust for fejlspec af denne.
CMLE @ Fuld korrelation

-
!" = !" + ! + !" , hvor ! ~! , ! , hvor ! tillades fuld frihed i off-diagonal (og 1er i
diagonalen)
Slem curse of dim!
Men, Keane (1993, in press) har simulationsmetoder
Chamberlains random effects probit

-
ML tillade sammenhng ! !
METODE specificere betinged for ! med konstant varians.
Antag ! |! ~ + ! , !! ,
! = !!
!
!!! !" .
Error form ! = + ! + ! .
Restriktiv, men tillader dog noget samspil (modsat trad.REprobit)
Indst i ligning:
!" = + !" + ! + ! + !" ,
! |! ~ 0, !!
INTUITION Tilfjer tids-gns som kontrolvariabel partial eff. af ! nr tidsgennemsnittet

holdes fast! mde at kontrollere for uobserverede personspecifikke effekter
Side 33 af 63

-
Januar 2011
Udvidelse Tillade tidsafh. i !! , , !" |! , !
muligt at droppe antagelsen !! !" |! , ! s skal inferens dog gres robust for
arbitrr seriel korrelation.
S kan vi dog kun finde APEs ved at integrere ! ud (hvilket i praksis kommer ud p at
integrere ! ud (dvs. average den ud, da den observeres)
BEMRKNINGER
Hidtidige udledninger afhnger kritisk af, at !" er strictly exogenous conditional on ! .
dvs. fx ingen lags af dep.var. !
15.7.3
TEST for streng exo add bare nogle lags og se om de bliver sign.
Logit: unobs eff og streng exo (FE logit, skodnavn)
NEDERN ik muligt at specificere tthed for ! s vi (nemt) kan integrere ! + mht. den.
OPTUR muligt med FE/FD-agtig approach! viser sig at ! falder ud nr vi betinger p
-
!
!!! !"
svedig feature ved logit-formen gr det muligt at f en funktionel form, der ik afhnger
Log-like i = 2 tilfldet:
! = 1 !!!!!!! !! ! log !! !! + 1 ! log{1 !! !!
-
hvor ! = 1 hvis !! = 0, !! = 1 og ! = 0 hvis !! = 1, !! = 0.
OBS! Kun observationer, hvor !! + !! = 1 bidrager, dvs. obs. hvor = 1 eller = 0 i begge r duer
ikke.
NAVN fixed effects logit SKODNAVN, intet at gre med FE probit, som ser ! som paramter.
FORDEL
-
effekten p log-odd ratio, idet; log{ ! / 1 !
= ! + .
ULEMPER
-
Kan ikke estimere partial effects medmindre vi indstter en vrdi for !

-
Men hvilken vrdi skal vi vlge? Ingen restriktioner, ikke engang ! = 0!
APEs kan heller ik findes nr vi ik har nogen antagelser om distr for !
Forudstter !! !" |! , !
15.7.4
Dynamic unobs.eff (state dependence)
Grundlggende model
!" = 1 !,!!! , , !! , !! , ! , ! = !" + !,!!! + !
BEMRK
-
! !" dvs. antager str.exo
Tidl. outcome (!,!!! m godt pvirke response prob)
INTERESSE State-dependence efter der er kontrolleret for ! , ! 0.

JOINT PROB
Side 34 af 63
Januar 2011
! , , ! ! , , ; =
! !!! , , ! , ! , ;
!!!
!!
! + !!! +
!!!!
1 ! + !!! +
!!!
INITIAL CONDITIONS PROBLEM hvad nr vi nr til ! ? ! modelleres ikke!

4 muligheder
1) Se ! som ikke-stokastisk
a.
Streng antagelse medfrer bl.a. !
2) Specificere tthed for !! |! , ! , dernst for ! |!

a.
Svrt at vlge tthed. Frende eksempel + ! !! + ! , !! .
3) Approksimere tthed for !! |! , ! , dernst for ! |! (Heckman, 1981)

a.
Fx lade !! flge probit med resp.prob. + ! + !
4) Betinge p !! , dernst specificere ! |! , !!

a.
! |! , !! kan fx vlges som Chamberlain, ! = + ! !! + ! + , ~ 0, !!

!
! , , ! ! , ; =
!!!
! !,!!! , !! , !
!
!
b. I PRAKSIS
i. Alm. Chamberlain probit, hvor !! og ! tilfjes i alle tidsperioder
c.
APEs mv. tag MLE params , , , ! , og multiplicr med 1 + !!
!!/!
(-subscript viser
dette). Std.fejl. fs vha. bootstrapping el.lign.

!
!
! + ! ! + ! !!
+ !! !! + ! !
!!
!!!
15.7.5
Andet
Semiparametriske metoder
-
Fx Manski for = 2 brugt p differenser
Cluster samples
-
Pooled probit/logit brug dog de robuste varians-estimatorer.
15.8 Multinomial response

15.8.1
Multinomial logit
Kategorier = 0,1,2, , , dvs. + 1 styk.

! , = =
! , = 0 =
exp !
1+
!
!!! exp
= 1, ,
1
1+
!
!!! exp
!
Side 35 af 63
Januar 2011
Hvor = 1 og ! = 1 (samme ! er i hver kategori bare med forskellig param)

RESULTATER
Partielle effekter har en meget besvrlig form, men odds bliver pne:
! ,
= exp ! ,
= 1,2, ,
! ,
og for log-odds log
! ,
! ,
= ! ,
log
! ,
! ,
= ! !
LIKELIHOOD
!
! =
1 ! = log ! ! ,
!!!
15.8.2
Probabilistic choice models:
Primarily, well look at conditional logit, but conditional probit is a nice extension (although it has some
computational issues)
Conditional logit
Derived from underlying utility-maximization model
util from choosing alternative for individual !"

= !" + !" ,
= 0, , , = 1, ,
ANTAG !" ~ TypeI Extreme Value

REMARKS
-
Elements of !" differ between alternatives

-
!" cant contain elements that dont vary across alternatives!
Dvs. ikke udd, erfaring, men ok med pris p o.lign. karakteristika for
hndterer en helt anden type data valg af alternativ skal afhnge af karakteristika ved
netop .
! ! ! = ! =
exp !"
!
!!! exp !!
RESULTATER
egen-marginal-eff
!
= ! 1 ! ! ,
!"
kryds-marg-eff
!
= ! ! ! ,
!!
= 0, , , = 1, ,
, = 1, ,
BEGRNSNINGER
Independence of Irrelevant Alternatives

! !
exp !
=
! !
exp !
Dvs. relative odds mellem og afhnger kun af karakteristika for og
s hvis kun rd bus,bil er ! = ! = . Hvis ! rd bus,bil,bl bus skal ! /! vre

konstant, dvs. ! = ! 1/3, hvilket er urealistisk.
Side 36 af 63
Januar 2011
LSNINGER
1) Multinomial probit (= conditional probit)
a.
I !"
tillades !! , , !" ~!!! , , hvor kovarianser er urestrikterede.
b. MEN besvrlig beregning (inkl. + 1-dim integral)

c.
Dog: simulationsmetoder
2) Hierakiske modeller fx nested logit model

a.
Id indfr 2 lag frst vlger man mellem grupper, derefter vlger man inden for de enktelte
grupper (betinget p at vlge gruppe , er der conditional logit blandt alternativer i den gruppe.
15.9 Ordered response ordered logit/probit

Valg har ordinal, men ikke kardinal nytte (2 er bedre end 1, men ikke ndv. halvt s meget som 4)
= + ,
|~ 0,1
Del op
falder blandt < ! < ! < < ! <
= 0 hvis ! ,
= 1 hvis ! < ! ,
= hvis > !
Response probs:
= 1 = ! = !
= = !!! !
= = 1 !
INTET INTERCEPT i erne spiller rolle af intercept (for = 1 er ! = interceptet)
Loglike
! , = 1 ! = 0 log ! !
+ + 1 ! = log !!! ! ! !
+ 1 ! = log 1 ! !
(og vlg som sdvanligt , = arg max, , med , =
RESULTATER
!
=
!!! !
!
!
!
!!! !
, .
= ! !!! !
Ellers Evalur ved referenceperson / rapporter % korrekt predikteret

BEMRKNINGER
-
Hverken ! eller har separat betydning.
Vlg i stedet for ordered logit
Valg kan tillgges tal, fx hvor mange % stter du i aktier, 25%, 50% eller 75%?
-
ingen betydning for estimation, men giver mening til .
UOBS.EFF (dvs. ! ) @ Chamberlain tilgang (antag+approx pdf for ! og integrr ud)
INTERVAL-KODET DATA
Samme id, men teknisk bvl
OBS! Nu giver faktisk mening, og ! har fortolkning som om det var OLS!
Side 37 af 63
Januar 2011
16 Censored regressions and corner solution models

2 typer
1) Censored data
Observerer = min , 200.000
a.
2) Corner solutions
= max , 0
a.
16.1 Tobit
= + ,
= max , 0
ANTAG |~ 0, !
16.1.1
~.
Estimation
TTHED ens for > 0

0 ! = ! = 0 ! = 1
> 0 ! = !
Cond.log.like
! = 1 ! = 0 log 1
+ 1 ! > 0
log
! !
1
log !
2
INFERENS
16.1.2
Alm. MLE
Wolle giver frste/anden afledte
Quantities of interest
Afh. af model:
-
Censoring den latente variable; , eller
Corner solution den faktiske variable, = 0 , > 0 , , , > 0
UDLEDNING
-
, > 0
-
fordi ~ 0,1 , > = / 1 , s
> =
Derfor > =
> =
! !
! !
>
!
!
!
!!! !
! !
!!! !
! !/!
!!! !/!
, > 0 = , > 0 = + > = +
/
= + /
/
!inverse Mill's

Side 38 af 63
Januar 2011
= 0 0 + , > 0 > 0
= + / / = / + /
-
PARTIAL EFFECTS

= !
!
, > 0
= !
!
!;!
= !
= ! > 0
!
BEMRK
-
De part.eff.s er bare skaleringer af ! erne

-
(specielt, skaleret med ]0; 1[-variable vi forventer !tobit < !OLS )
Fra NOTERNE:
RESULTATER
-
CENSORING husk, er interessen rapportr
CORNER vis , , > 0 , = 0 .
16.2 Neglected heterogeneity (16.6.1)

KONKLUSION
CENSORING intet problem, tobit konsistent for (?? p530??)
CORNER mske, vil vi have , eller ?
-
LSNING integrr ud.

= + +
ANTAG |, ~ 0, !
PROBLEM skal hndteres eksplicit
LSNING integrr ud, dvs.
ANTAG har pdf.
= !| ,
, ,
kont
, ,
diskret
!!!
Side 39 af 63

-
S er ! = log og = arg max
EKS
-
!
!!! !
Januar 2011
, = hj
1 , = lav
!
Kont: | ~ 0, , + ~ 0, ! ! + 1 pga. .
Diskret: =
& ~
16.3 Endogenous
Som for discrete choice
m antage mere struktur den endogene, ! , antages ! = ! !" + ! !! + !
antag s ! , ! ~ ! ,
-
1
!
!
!!
vi kan erstatte ! = ! ! + ! , hvor ! |, ! ~ 0, !!
Tobit 2-step (Smith-Blundell) estimr reduceret form for endogene ved OLS inkludr
residualer (dvs. tobit af ! p ! , ! , ! )
Som for probit
Std.fejl skal korrigeres
MEN !! = ! estimeres ikke (relevant for CORNER nr man estimerer APEs)
Fuld MLE specificr simultane fordeling af de endogene vha. ! , ! = ! ! , !

-
Indstter direkte ! = ! ! og estimerer den samtidig @ ML
TEST i begge settings testes ! = 0 (eller ! = 0 efter parameterisering) via alm. -test.
-
DOG ML en del tungere beregningsmssigt estimr Smith-Blundell frst og test endo i den.
16.4 Hetsked & ikke-normalitet

ALVORLIGE KONSEKVENSER
Inkonsistens (da ML afh. af fuld fordeling)
OBS! Modsat alm. OLS, hvor kun = 0 krves for konsistens
TEST
Hetsked @ LM (score) tilgang s estimerer vi den almindelige Tobit som nested i en mere generel model
-
I generel model: specificr hetsked
Non-normalitet svr noget med probit
16.5 Estimation under svagere antagelser

16.5.1
Powel estimatoren
POINTE slippe for at antage .

= +
ANTAG = 0
-
Dvs. ingen pdf / uafh. antagelser
ESTIMATION
Side 40 af 63
Januar 2011
LAD (least absolute deviations)

!
LAD = arg min
! max 0,
!!!
M-ESTIMATION
-
, = max 0, er kontinuert konsistens flger af 12.2
MEN ikke differentiabel kan ikke bruge 12.3

-
Powel viser dog -asymptotisk normalitet.
RESULTATER
Censored:
-
= , HVIS s fordeling er symmetrisk omkring 0
Corner solution:
-
Ingen af de nskede L krver antagelser om fordeling
MEN specifikationstest for Tobit modellen
PROBLEMER
Criterion function er diskontinuert ved = :
Desuden
(generelt for LAD)
!!
!!! !
= 0.
Alternativt ILPA (iterative linear programming algorithm)
16.5.2
Estimr median-reg p fuldt sample fjern < 0 estimr med-reg fjern < 0
Hvis konvergens er der gevinst.
Alternativer til Tobit for Corner ekstensiv vs. intensiv part.eff.
IDE I Tobit er > 0 og , > 0 den samme

mske forskellig virkning p den intensive vs. den ekstensive margin.
Hurdle / two-tier models hurdlen eller tier #1 er, om man skal vlge = 0 eller 0. Tier #2 er hvor
stor skal vlges.
MODEL
-
= 0 = 1 , og log |, > 0 ~ , ! .
Side 41 af 63
Januar 2011
16.6 Tobit for panel

16.6.1
Sml. med alm. tobit

!" = max 0, !" + !" ,
= 1, , , = 1, ,
ANTAG !" |!" ~ 0, !

Tobit p cross-section med obs.
Inferens @ robuste estimatorer; !! !! , med potentielt
-
Fordi ! =
!
!!!
!" !
!
!!! !"
og ! =
!
!!! !"
, s ! afhnger af corr.
mellem !" og !" .

-
= !!
!
!!!
!
!!! lol!" ,
hvor lol!" vlges som enten !! !" , !"
tilgngelig) eller !" !"

-
= !!
!
!!!
!
!!! !"
(bedst hvis
! + !!
!
!!!
!
!!!
!
!!! !"
er den simpleste for ! .
POSITIVT
-
Krver ikke streng exo af !"

-
Antager !" !" , men ikke !" !"
Laggede i !" er ok
Seriel korr. i !" er ok
Ingen antagelser om ! ! , kun !" !"
Laggede dep.vars. er bvlede at inkludere ( observeres kun delvist)

YDERLIGERE ANTAGELSE
-
16.6.2
Dynamic completeness !" ! = !" !" .

-
OBS! dyn.compl antagelse om uafh.!
MEN netop den antagelse, der giver, at alm. inferens duer
TEST medtag flg. 2 vars i alm. Tobit 1 !!! = 0 og !!! 1 !!! > 0 test samtidig
Tobit med unobserved effects

!" = max 0, !" + ! + !"
ANTAG !" |! , ! ~
-
0, !!
streng exo, , , ~
MULIGHEDER
1) Estimr ! incidental parameters (dvs. at ogs konsistensen af ) delgges.
2) Antag Random Effects tobit; Chamberlain-tilgang
3) Eliminr ! ved transformation @ Honor (1992)
Random effects tobit antag pdf for c
!" = max 0, !" + ! + !"
ANTAG
-
!" |! , ! ~ 0, !! !" ! !" !" , dvs. streng eksogenitet (udelukker noget fra )
Og (flger det af ovenstende?) !! !"

Side 42 af 63

-
! = + + ! ,
! ~ 0, !!
-
!!
!
!!! !"
og ! !"
dvs. ! |! ~ + , !!
!" = max 0, !" + + + ! + !" ,
Januar 2011
! + !" ~ 0, !! + !!
Bemrk, !" ! + !" , s er !" , !" = !! for

=
IDENTIFICEREDE params , , , !! , !!
PRAKSIS
-
Alm. tobit, hvor medtages i hver periode (evt. kan = ! , , ! bruges for at blive mere generel,
men det er tungere beregning)
identifikation hvis der er tidsvariation i .
RESULTATER CENSORED
-
Tilfjelsen af har lst alle problemer ( er nemlig identificeret)
RESULTATER CORNER
-
Vi kan tage differenser / se p ved ( = + ) evalueret ved fx = .
APEs kan estimeres jf. wolle
VIDERE
16.6.3
Muligt at relaxe !! !"
Muligt at udvide Powel til dette setting.
Dynamic unobserved effects tobit
DUER KUN (/bedst) FOR CORNER!

!" = max 0, !" + ! !,!!! + ! + !"
ANTAG !" |!" , !,!!! , !,!!! , . . . , !! , ! ~ 0, !!
-
Dvs. streng exo af !"
BEMRK
-
Corner !" afhnger af, om !" = 0 eller 1.
Censored giver bedre mening at inkludere !,!!!

bvlet som bar fuck!
Problem: initial conditions

IDE antag fordeling for ! betinget p !! og ! (wow, hele !! , , !" !)
PRAKSIS
-
Kr bare random effects tobit med regressorne: !" , !,!!! , !! og ! inkluderet i hver periode.
MODEL
|, ! ~ + ! ! + , !!
! , !!! , , ! , ; ! !
! + ! !!! +
= 1
!
! !! !!
1
! ! + ! !!! +
!
!
Side 43 af 63
! !! !!
Januar 2011
! , , ! , ! =
!!!
! ! , !
17 Sample selection attrition and stratified sampling

17.1 Sample selection
RSAGER til ikke-tilfldig sampling:
-
Selektion p forklarende variabel fx kun 30-50-rige
Truncation selektion p forklaret variabel fx ser kun om folk har job for folk, der har et job
Adfrd
a.
Non-response
b. Attrition (dropper ud over tid ikke problem i register-data)

c.
Ser kun ln for dem, der vlger at tage arbejde

i. Anden variabel forklarer mangel Heckman selection kan lse dette.
17.2 Simpel model

! = ! ! + ! ,
! ! = 0
1,
hvis personen observeres
=
0,
.
Del datasttet op
-
= 0 kun ! observeres
= 1 bade ! og ! observeres.
ML
VISE , =
=0 .
S snart denne betingelse holder er pooled OLS ok
hvis ikke m vi benytte andre krumspring (antage mere struktur)
OBS! Konklusionen glder ogs for NLS!
CMLE hvis , = vil MLE p det selekterede sample vre konsistent.
ANVENDELSER (eksempler)
MULIGHEDER for selektion
1. er en (deterministisk) function af ! alene = !
a.
ingen problemer, da ! ! , !
= ! ! = ! ! uanset !
b. (vi betiner en gang for meget)

2. er uafh. af ! og !
a.
ingen problemer! S indeholder ingen yderligere info om nogen aspekter af fordelingen af

! , ! , specielt ikke den betingede forventning. Dvs.
b. ! , ! ! ! , = ! ! = 0
Side 44 af 63
Januar 2011
3. = 1 ! < ! < ! (truncation)

a.
Antag fordeling af ! |! og brug truncated Tobit
b. s kan vi udlede ! ! , ! = 1 = ! ! / = 1|! og bruge CMLE.

4. = 1 ! + ! > 0 (disrete response selection)
a.
Tillader afh. mellem ! og ! = ! , ! pvirker selection, men kun ! pvirker ! .
b. Det viser sig, at ! , = 1 = ! ! + !

c.
! !!!
! !!!
= ! ! + ! !
HECKMAN 2-step
i. 1) estimr probit af ! p ! = !! , !! (p fuldt sample),
ii. 2) OLS af ! p !! og ! ! / !
(p det selekterede sample)
5. ! = max 0, ! + ! and = 1 ! > 0 (Tobit selection e.g. hours worked)

a.
Implicerer mere struktur
b. 2-step
i. 1) Estimr censoreret Tobit af !! p ! residualer !!
ii. 2) OLS af p og ! for de selekterede (dvs. med > 0)
17.2.1
ML i sample selection PMLE
Strukturel model ! ! ; !
Selektionsmodel ; !
UDNYT (hvor ! , ! )
! , ! ; = ! , ! ; ! ; !
17.2.2
Sammenligning: ML vs. Heckit
FORDELE PMLE > Heckit

-
!!
Robust var-estimator (!!
! ! ! ) er valid ingen generated-regressor problem
a.
(dvs. konsistente varians-estimater alts spg. ved inferens i Heckit))
ULEMPER PMLE < Heckit

-
Strke antagelser (men de kan testes vha. moment-tests)
Numerisk tung
17.2.3
Ad 2SLS p selekteret data
TEOREM 17.1
model = + , instrumenter
Random sampling nok at antage ! = og estimere med 2SLS p med instr .
Selection @ 0,1
-
ANTAG , = = 0,
2SLS af p med isntr , hvor kun det selekterede sample bruges vil give konsistente estimater.
Side 45 af 63

17.2.4
Januar 2011
Ad 3: Truncation (selektion p y)
Selektionsligning
! = 1 ! < ! < !
ANTAG fordeling for | er kendt, dvs. en pdf ! ; , og cdf ! ; , er givet.
IDE s kan vi finde ssh. for ! ! ; !
lad ! ; ! |! , ! = 1 = ! ! , ! = 1 =
=
! , ! = 1 !
! < ! !
=
! = 1 !
! < ! < ! !
! ! !
! ! ! !
! , ! = 1 =
!
|! , ! = 1 =
,
! ! ! !
da ingen andre led afh. af .

TRUNCATED TOBIT
Fs ved at vlge = .
SAMMENLIGNING
-
FORSKEL i censored observeres ! ogs nr ! censoreres, i truncated censoreres bde ! og ! .
LIGHED Hetsked / non-normalitet inkonsistens
17.2.5
Probit selektion exogene variable (Heckit)
bestemmes af en probit model.

CENTRALT the coding rule er ikke kendt i modstning til top coding (hvor = 0 nr > ).
IDE antager parametrisk form for ! , ! .
! = ! ! + !
! = 1 ! + ! > 0
ANTAG
1)
, ! observeres altid. ! observeres nr ! = 1.
2)
! , ! med ! = ! = 0.
-
Mildere end ! , ! ~! , , som er et specialtilflde.
3) ! ~ 0,1
-
! = 1 ok da ! ikke observeres.
4) ! ! = ! !
-
Ville flge hvis ! , ! ~! .
ESTIMATIONSLIGNING
Pga. selektion kan vi kun hbe p at estimere ! , ! = 1 og ! = 1| , men se, at
! , ! = ! ! + ! , !
!! ,!! !
! ! + ! ! = ! ! + ! !
Dvs. vi mangler ! som regressor

MEN observeres ikke
LSNING udtrykke ! = , ! udnyt at
Side 46 af 63

! , ! = 1 = ! ! = ! ! > ! =
-
Januar 2011
!
! ,
!
da det er en truncated normal inversel Mills ratio

! , ! , ! = 1 = ! , ! = 1 = ! ! + ! ! , ! = 1 = ! ! + ! !
OBS! Inkons af OLS skyldes omitted variable ! !

PROCEDURE (Heckit)
a) F ! Estimr probit af ! p .
b) Estimr OLS af !! p !! , ! ! med det selekterede sample.
-
konsistens og -asymptotisk normalitet
TEST
! intet selektionsbias ! = 0
-
Testes @ std. -vrdi da ! alm. OLS asymptotik holder selvom en var. for meget tages med
BEMRKNINGER
-
Bvlet at finde varians nr ! 0
Stadig konsistent nr = ! (samme regressorer for ! og !
MEN noisy ! ides kun pga. ikke-linearitet i .
UDVIDELSE
-
Hvis ! , ! ~ , antages kan PMLE bruges (lang, grim ! )
udnytter igen Bayes til at opskrive betinget p ! ud fra ssh. for ! givet ! over ssh. for ! generelt:
! ! , !
! ! , =
!
17.2.6
Probit selektion endogene variable

! = ! ! + ! ! + !
2SLS problem
! = ! + !
! = 1 ! + ! > 0 Sample-selection problem
ANTAG
1)
, ! observeres altid, ! , ! observeres kun nr ! = 1.
2)
! , !
3) ! ~ 0,1
(skala arbitrr da ! 0,1 )
4) ! ! = ! !
5) ! ! = og i ligning 2 er ! = ! !" + ! !! hvor !! .
BEMRKNINGER
-
OBS! Vi skal have vars i ! som bestemmer selektion og den endo (relevans), men ikke ! (exo)
Ala alm. endo problem, men vi m antage struktur p den endo, ! .
Arbitrr korrelation tillades mellem ! , ! , ! .
UDLEDNING
TRICK:
Side 47 af 63

! = ! ! + ! ! + , !
! !! ,!!
Januar 2011
!
!! !! !! ,!!
Her er ! , ! = 1 = ! ! , ! |, ! = 0 pr. konstruktion

teorem 17.1 konsistent at bruges 2SLS af ! p ! , ! , , ! .
PROBLEM mangler ! , ! = 1 = ! , ! > ! = ! ! ! > ! = ! !
PROCEDURE
1) Estimr ! konsistent ved probit af ! p (fuldt sample). Udregn !! ! ! .
2) Estimr 2SLS af ! p ! , ! , ! med instr ! (for sig selv) ! (for ! ) og ! (for sig selv) p selekteret
sample).
TEST
! ingen selektionsbias ! = 0 @ alm. -test
BEMRKNINGER
-
! kan vre diskret.

-
Eks. ! = 1 deltage i program . Id til instr: hvis man blev indstillet tilfldigt (men stadig
forsk. ssh. for at deltage p bgg. af )
! exo men manglende somme tider (non-response) modellen duer stadig, ! skal instrumenteres.
Mindst 2 vars i ! skal bruges tnk: n til ! og n til at identificere selektion (! ).

-
(hvis ingen ekstra til selektion, vil id af ! kre p ikke-lin. af alene.
Hvis vi antager ! , ! , ! ~! , , kan vi bruge PMLE.
Hvis y1 i stedet var binr

! = 1 ! ! + ! > 0
! = 1 ! + ! > 0
ANTAG (en masse) + ! , ! ~! ,
1
!
!
1
PROCEDURE
1) Estimr ! ved probit af ! p (for hele sample)
2) Indst i ! = 1 , ! = 1 =
17.2.7
!!
!!! !
! ! + ! ! 1 !!
! ! (jf. probit)
Tobit med eksogene forklarende vars
MOTIVATION separat variation i ! vi kan sige hvor langt man er fra selektion mere efficient
EKSEMPEL ! = timeln, ! = #timer arbejdet p.a.
! = ! ! + !
! = max 0, ! + !
ANTAG
1)
, ! observeres altid, ! observeres kun nr ! > 0.
2)
! , !
3) ! ~ 0, !!
(skala ej arbitrr da ! observeres!)
4) ! ! = ! !
Side 48 af 63
Januar 2011
BEMRKNINGER
-
Som for probit
Tnk selektion: = 1 ! > 0 .
UDLEDNING
! , ! , ! = ! ! + ! !
ID hvis ! observeres kr OLS p selekteret sample
MEN ! kan estimeres konsistent for de med !! > 0, som netop er de selekterede !! !! ! !
for selekteret.
PROCEDURE
1) Estimr ! ved tobit af ! p for hele samplet. Udregn !! .
2) Estimr ! ved OLS af ! p ! , !! .
BEMRKNINER
-
Efficiency gain intuitivt klart, vi kan se, hvor langt folk er fra de-selektion.
OK med ! = MODSAT probit! @ nu har vi separat variation i ! .
PMLE mulig @ ANTAG ! , ! ~! ,

-
! = !! log !! ! , !! ; + log !! ! ; ! , !!
hvor !! ! , !! ; er ! ! + ! !! ! , !! og !! ! ; ! , !! er den sdvanlige

!! = 0 !
17.2.8
! !!! !!
> 0 !
! !!! !!
Tobit med endogene forklarende vars

! = ! ! + ! ! + !
2SLS problem
! = ! + !
! = max ! + ! , 0 Sample-selection problem
ANTAG
1)
, ! observeres altid, ! , ! observeres kun nr ! > 0.
2)
! , !
3) ! ~ 0,1
(skala arbitrr da ! 0,1 )
4) ! ! = ! !
5) ! ! = og i ligning 2 er ! = ! !" + ! !! hvor !! .
UDLEDNING (som for probit med endo)
! = ! ! + ! ! + ! ! + ! ,
-
! ! ! !
her er ! ! = 0 pr. konstruktion 2SLS p selekteret sample er ok, hvis ! kan medtages estimr
@ Tobit.
PROCEDURE
1) Estimr ! ved Tobit af ! p . Udregn !! !! ! ! for selekterede .
2) Estimr ! ved 2SLS af ! p ! , ! , ! og vha. instr ! (for sig selv), ! (for ! ), ! (for sig selv) p
selekterede sample
Side 49 af 63
Januar 2011
BEMRKNINGER
-
! kan vre kont. eller diskret.
17.3 Paneldata: Sample selection

Overordnet set: Attrition / selection i paneldata kan ske for 3 grunde
1. Tilfldigt (rotation) nemt at hndtere
2. Folk vlger at droppe ud (attrition)
3. Incidental truncation (fx arbejdslshed
17.3.1
Fixed effects p ubalancerede paneler
RESULTAT
-
hvis !" ! , ! , ! = 0 kan vi uden videre bruge formlerne med OLS p transformeret data, hvis vi
bare ogs ganger !" p hver gang (fx !" = !!
!
!!
! !" !" !"
!!
!
!!
)
! !" !" !"
MODEL
!" = !" + ! + !" ,
= 1, ,
ANTAG
1) !" ! , ! , ! = 0
2)
3)
!
!!!
! !!
!" !!" !"
( ! ! , ! )
er invertibel
! , ! , ! =
(alm. rank-condition)
!! !
( alm. FE inferens holder)
BEMRK
-
RE analyse krver ! ! , !
ESTIMATION
-
!
!!! !"
Definr ! = #r hvor observeres =

!
!" =
!!
!" !!" !"
!!
!!! !!!
!!
!" !!" !"
!" = !!
!!! !!!
!! !
!" !!" !"

!!! !!!
!!
!
!
!" !"
! 1
!!!
!!
!!
!!! !!!
BEMRKNINGER
-
FE kan kun bruge ! > 1 .
Almindelig robust FE-varians kan bruges
Tilladt at danne et balanceret subsample og estimere p det, fx vlge ! = med 1 .
VIGTIGT! Vi kunne lige s godt have brugt FD metoder.
Side 50 af 63

17.3.2
Januar 2011
Test / korrektion for sample selection bias
Procedure ( Nijman & Verbeek, 1992)

1) Estimr FE af !" p !" og !,!!! p det ubalancerede sample.
2) ! ingen selektionsbias !!,!!! = 0, testes @ alm. -teststrrelse
Incidental truncation under H0: ingen selektionsbias
BEMRK en enkelt var observeres ikke i nogle perioder
ID
-
Chamberlain-inspireret tillader ! !"! .
Antager liner struktur !"! ! = !"! ! , ! = !! , , !" !

-
(alternativt bare lade tidsgennemsnittet for ! afgre ! !"!
! ! , hvilket sparer p
parametrene)
MODEL
!"! = !"! ! + !! + !"! ,
!"! = 1 ! !! + !"! > 0 ,
= 1, ,
!"! |! ~ 0,1
PROCEDURE
1) Probit !"! p ! (eller ! ) fuldt sample. Udregn !"! ! ! (eller ! ! .
2) FE af !"! p !"! og !"! selekteret sample. ! ! = 0 @ alm. OLS.
Incidental truncation under HA: selektionsbias
ANTAG
1) !"! ! , !"! = !"! !"! = !! !"!
2) !! ! , !"! = ! ! + !! !"!
PROCEDURE
1) Probit !"! p ! for hvert og gem !"! for alle , .
2) Pooled OLS p det selekterde sample af !"! p !"! , ! , !"! , 2! !"! , 3! !"! , , ! !"# .
BRUG robuste var-estimatorer
Incidental truncation Tobit selektionsligning
!
Hvis selektion i stedet sker p baggrund af !"! = max 0, ! !! + !"! hvor !"! |! ~ 0, !!
kan vi mere
Samme procedure som oven for virker, men med !"! erstattet med !"! osv.
I Tobit frameworket kan vi ogs tillade, at !" indeholder !,!!! .
17.3.3
INTUITION flger af, at s vil !,!!! ! for alle (og vi betinger jo hele tiden p ! ).
Attrition man vlger at udg af sample
ANTAG ingen re-entry attrition er en absorbing state.

MODEL
!" = !" + ! + !"
IDE sekventiel natur, !,!!! = 0 !" = 0 brug FD
Side 51 af 63

!" = !" + !" ,
Januar 2011
= 2, ,
og skriv (reduceret form) ligningen for selektion betinget p selektion i forrige periode
!" = 1 !" ! + !" > 0 ,
-
!" |!" , !" , !,!!! = 1 ~ 0,1
fx kan !" indeholde !,!!! og !,!!! (ikke !,!!! da den str p LHS for forrige periode corr med
!,!!! ).
ANTAG !" !" , !" , !" , !,!!! = 1 = !" !" , !,!!! = 1 = ! !"
-
!" !" , !" , !" = 1 = !" + ! !" !
(hvor !" = 1 !,!!! = 1 s vi ikke behver betinge p det yderligere)
PROCEDURE
1) Probit !" p !" ! !" !" !
2) Pooled OLS af ! p !" , 2! !" , , ! !" , = 2, , . Tests er ikke lngere oplagt simple (robusthed
krves).
PROBLEMER
-
Antagelsen udelukker at !" kan pvirke attrition (efter betingning p !" ) tnk: ingen samtidig
pvirkning fra !" til !" nr der er kontrolleret for !,!!! .
!" antages at vre strengt eksogen.
LSNING IV
-
Instrument !" , hvor !" !" (dvs. redundant i selektionsligningen) og !" er eksogen i modelligningen
Step 2 i procedure: Lav 2SLS i stedet og instrumentr !" med !" (som fx kan vre !,!!! ).
17.3.4
Inverse probability weighting (IPW)
ML Generelisere metoder til ikke-liner estimation (M-estimation)

ANTAG
!" = 1 !" , !" , !! = !" = 1 !! ,
= 2, ,
!! er en strk nok prediktor for selektion i hver periode til at !" !! , !" , !" ik afh. af !" , !"
-
Kaldes selection on observables eller ignorability of selection.
PROCEDURE
1) Probit !" p !! gem de fittede sandsynligheder; !" .
2) M-estimation p selekteret sample (dvs. gang med !" ), hvor mlfunktionen vgtes med 1/!" , dvs.
!
= arg min
!!! !!!
!"
,
!" ! !"
INTUITION
-
Regularitet giver, at kan erstattes med plim = ! nr vi udregner asymptotik (antages ! ).

,
! ! !!! !plim !

,
!
,
!
,
!
UDVIDELSE
-
hvis attrition probiten ndrer sig over tid??
blvet at hndtere
Side 52 af 63
Januar 2011
17.4 Non-parametric bounds

LOWER BOUND
-
, = 1 = 1
UPPER BOUND
-
, = 1 = 1 + = 0
REMARKS
-
Bounds are tight when = 1 1.
Intuition the more observations that are censored, the bigger the problem!
-
(knew this already;)
18 Treatment effects
OVERORDNET nsker at estimere = ! ! og ! = ! ! = 1 .
TILGANGE
1) Ignorability of treatment (ATE.1 og ATE.1) regression, matching, weighting estimatorer (og evt.
mixed, som vi ikke ser p)
2) Regression discontinuity design
3) Panel data: difference in differences (og before-after)
4) IV
18.1 Noten
-
Internal validity hvilken effekt havde jobtrninsprogrammet
nsker vi
External validity hvilken effekt vil et hypotetisk program have
kan vi ikke f
Average treatment effect

-
On the treated untreated overall
RUBINS CAUSAL MODEL

-
! = outcome w/ treatment, ! outcome without
= 1 if treated, else = 0.
(cont. or discount.)
!! , !! , ! iid.
Avg. treat eff ! !
Avg. treat eff on the treated ! ! ! | = 1
MISSING DATA only ! or ! is observed:

= 1 ! + ! = ! + ! !
MULIGE ANTAGELSER
-
! , ! = 1 = ! = 1
!! !!
= ! og = 0 = !
Side 53 af 63
Januar 2011
S er = 1 = 0 = ! ! = = ! .
OBS! Uafh. vi kan fjerne betingning generelt er ! = 1 ! , men vi kan bare

kun udregne ! = 1 fordi missing data gr, at vi kun har ! nr = 1.
! = 1 = 0 = = ! .
= 1 = 0 = ! + ! ! = 1 ! + ! ! = 0
= ! = 1 ! = 0 + ! ! = 1 = ! ! = 1 !
18.1.1
Nonparam id ignorability of treatment
ATE1: betinget p er ! , !
ATE1: a) ! , = ! og b) ! , = ! .
(selection on observables)
-
nr er partialled out, vil de tilbagevrende faktorer, der pvirker vre uafh. af de tilbagevrende,
som pvirker .
ATE ! = ! ! , = 1 = ! ! = .
COMMON SUPPORT
18.1.2
dvs. vi skal se single-mdre i begge grupper (treatment og non-treatment)

Regressions and switching models
! = ! + ! ,
! = ! + ! ,
! = ! = 0
! = ! ! + ! ! = 1 = + ! ! = 1
-
Tnk ! ! = person-specifik gevinst ved programmet, s ! ! = 1 0 betyder, at

dem i programmet har srlige gevinster.
SWITCHING
ANTAG ! = !
KAN VISE , = ! + + ! , hvor = . Desuden ! ! (evt ik-liner)
ANTAG ! ! OG ! = ! + ! samt ! = ! + !
, = ! + + ! + ! !
-
ANTAG VIDERE !
= !
! ! = ! !
, = ! + ! + + ! + ! !
= ! + + ! +
PROCEDURE
-
Reg ! p 1, ! , ! , ! ! koeff. til ! er .
! = + !!
(s.e.s p denne via bootstraps eller -metoden.
18.1.3
!!
!
!!! !
!!
!
!!! !
Regression discontinuity
= 1 = , hvor er diskontinuert
vi ser p sharp regression discontinuity designs ! = 1 !
Average treatment effect at = lim!!! = + = .

Side 54 af 63
Januar 2011
Vi definerer !" = ! ! =
ANTAG
-
ATE.1 (ignorability of treatment) betinget p er uafhngig af ! , ! .
! og ! er kontinuerte i
(dvs. gevinsten er kont. i = 1 er ikke!)
Under kontinuitet er !" = avg. treatment effect at = .

ESTIMATION
-
INTUITION !" = gns. ! for dem, som lige akkurat blev treated MINUS gns. for dem som lige
akkurat ikke blev treated
!" = ! ! =
!
!!! !
!
!!! 1
1 ! ; +
! ; +
!
!!! !
!
!!! 1
1 ! ;
,
! ;
> 0 lille
BEMRK
-
Vi fr blot en lokal gns. treatment effekt lige ved cutoff niveauet
Hvis treatment effekten er heterogen er den ikke lig med hverken eller ! !
18.1.4
Before-after
Diff estimator
IDE sammenligne individ med sig selv!
OBS! Krver paneldata og kan kun estimere ! (avg.treat.of.treated)
ANTAG
-
!,!" ! = 1 = !,!"!! ! = 1
ESTIMATION
-
FRST diff-estimator
! !,!" ! = 1 !,!" ! = 1
antagelse
!,!" ! = 1 !,!"!! ! = 1
dvs. vi estimerer p det treatede sample og tjekker forskellen p ! og ! givet at man p et tidspunkt
bliver treated.
MEN hvad med generel tids-trend? motiverer diff-in-diff

Diff-in-diff
ANTAG
-
!,!!! !,! = 1 = !,!!! !,! = 0

(dvs. at den gns. udvikling over tid er den samme i de to grupper samme tids-trend)
S ER
! !,!!! !,!!! = 1 = = !!! = 1 !!! = 0
! = 1 ! = 0
ESTIMATION overraskende nemt i regressions-framework

ANTAG !" !" = !" .
-
Indfr controls
!" = !" + !" + ! + !"
FUCK! Hvis folk selekterer ind i programmet er ! !" 0 AHA! BRUG FD!
! = !,!!! !,!!! , = 1
Side 55 af 63

= !!! , = 1 !!! , = 0
Januar 2011
! , = 1 ! , = 0
= !"!! + !"!! !" !" ,
da treatment frst sker i + 1
=
PROCEDURE
Regressr !" p !" , !" , hvor ! er koefficienten til !" .
BEMRKNINGER
-
Bygger p antagelsen om, at randomisering holder i FD
Antagelsen tillader selektion p unobservables, men kun hvis de er tidsinvariante

-
18.1.5
Dvs. fx ikke Ashenfelters dip discouraged worker lige fr treatment.
Selection and treatment effects
OPSPALTNING af det observerede gain

=1 =0
= ! ! + ! ! = 1 ! !
!"#
+ ! = 1 ! = 0
sorting gain
selection bias
Selection bias = ability bias i labour econ
Sorting bias = selection on the gain, forhbentlig treates dem med strst potential gevinst.
Nr der er bde selection og sorting bias: essential heterogeneity
TIDLIGERE Diff-in-diff eneste estimator, der tillod = !

18.1.6
Estimation af ATE ved IV under antagelse af homogen treatment effect
ANTAG
-
ATE.2
a) ! = !
b) ! , = !
c) ,
FORKLARINGER
-
a) = ! , idet vi kan skrive = ! + ! ! + !
b) exclusion restriction, i.e. spiller ingen rolle i ligningen for . Desuden b) ! = ! + ! .

Dermed kan vi skrive ligningen for som
= ! + + ! + !
MEN og ! kan godt vre korrelerede endogenitetsproblem

Procedure 1: Alm. IV
Instrumentr med og med sig selv.
Procedure 2: IV med propensity score
Hvis vi er villige til at gre yderligere antagelser, kan vi f en mere efficient procedure
Erstat c) med , og = 1 , = , ; og yderligere d) ! , = !
1) estimr (tnk ), fx med probit (som funktion af og )
Side 56 af 63
Januar 2011
2) instrumenter med i stedet for

18.1.7
Heterogene treatment effects (v0 v1)
ANTAG
PROCEDURE
1) Estimr i = 1 , = , ; med MLE og f ! (fx probit / logit)
2) Estimr ! = + ! + ! ! + ! ! + ! ved 2SLS med instr 1, ! , ! , ! !
18.1.8
LATE (local average treatment effects)
CHANGE MINDSET nu to typer treatment!

-
Vi trkker ! , ! , ! , ! , for alle individer smider n af erne vk smider n af erne vk.

-
PRAKSIS TNK vi observerer kun , men nsker at tnke det sdan, at der kunne have
vret et andet udfald, hvis havde vret p en anden mde.
0,1 hvis = 1, observerer vi ! , hvis = 0 observerer vi ! .

definr nu alm. treatment som 1 ! + ! = ! + ! !
= ! + ! ! ! + ! ! ! !
ANTAG
-
! , ! , ! , !
! !
(monotonicitet)
()
umiddelbar def ! ! ! ! = 1 = ! ! ! = 1, ! not observed
det viser sig =
=1 =0
=1 =1 =1 =0
ESTIMATION
-
= |!!! |!!! / |!!! |!!! , hvor |!!! er sample avg. af over ! = .
IV reg ! p ! med som IV for ! = koeff. til ! .
FORTOLKNING
-
= gns. treatment effekt p dem, som ville participate hvis blev ndret fra 0 til 1.
BEMRK
-
defineres ud fra variationen i

-
Modsat og ! , som defineres ud fra forhold i populationen

Side 57 af 63
Januar 2011
Vi kan ikke observere populationen med ! ! = 1 (dvs. hvor ! = 1 og ! missing) (lige s vel som
vi ikke observerer ! erne for de treatede)

-
Modsat ! er forventning over den treatede del af populationen, som vi kan finde eksplicit.
GENERELT ! ! = 0 =: ! ! ! ! = 1 .
HVIS forudsiger perfekt hvem, der bliver treated, og hvis dem, der bliver treated ogs er dem,
der har strst gain, vil = .
18.1.9
HVIS = 1 = 0 = 0, vil = ! .
Essential heterogeneity and IV (sorting on the gain)
=1 =0
= ! ! + ! ! = 1 ! !
!"#
+ ! = 1 ! = 0
sorting gain
selection bias
Essential heterogeneity der er bade sorting og selection.

her: en model hvor der er sorting p gains!
MODEL
! = ! + ! ! + !
! = ! + ! ! + + !
= 1 ! + !
-
Her (m) ! !
Definer ! !
= ! + ! ! = = ! + +
! +
sammensatte fejlled
(bemrk ligheden til = + + ! + ! ! . )
DET GIVER INGEN MENING

INGEN OVERHOVEDET
18.1.10 Sammenhng med den simple sample selection model
ANTAG ATE.4
a) ! , = ! ! for = 0,1
b) ! = ! + ! for = 0,1
c) ! ! =
d) = 1 ! + ! + ! + 0 = 1 , hvor ~ 0,1
e)
, , ! , ! og , ! , ! ~! , ,
hvor ! ! ! s ! , = 0
S KAN VI SKRIVE
-
fx , , = 1 = = ! + ! + ! + !!!
og endelig
!
!
= ! + + ! + + !!! 1

+ !!!
1

Side 58 af 63
Januar 2011
PROCEDURE
1) Probit af p , dvs. = 1 = . F ! , !
2) Regresser @ POLS ! p ! , ! , ! ! , !!! 1 !
! !
!!! !
, !!! !
! !
! !
Sammenligning med IV tilgangen

IV 1) estimr 2) kr 2SLS med inkluderet som regressor.
-
ANTAGER at !!! = !!! restriktivt
DENNE 1) estimr 2) reg pooled OLS med de genererede regressorer

-
Tillader comparative advantage structure samt hierarkisk struktur sandsynligt.
18.2 Ikke-parametrisk tilgang

-
! , ! = ! begge estimeres som avg. effekt i sub-sample bestende af de treatede
Mindre struktur antage mean independence dvs. nok at tage hensyn til ( fx = )
-
Faktisk, ! = ! = 1 = 0 = ! (men )
MODELTANKEGANG
uden antagelser ! = ! + ! ,
! = ! + ! ,
! = ! = 0
S ER
! = + ! ! = 1
-
dvs. ! er lig den generelle plus den forventede individuelle gevinst ved at blive treated (! !
er lig den individspecifikke gevinst ved treatment)
Bemrk krver flere antagelser (typisk) end ! .
18.3 Mere parametrisk tilgang

ANTAG
-
ATE.1 og ! , ! er uafhngige nr vi har betinget p
ATE.1 (a) ! , = ! (b) ! , = !
RESULTAT
! ! ! , = 1 = ! !
SMART Definr
= 1 ! + !
S er
, = 1 , = 0 = ! !
og , = 1 samt , = 0 er sdan set det, vi har i vores datast!
dermed er ! , = identificeret for = 0,1.
vi kan estimere den ikke-parametrisk!
ESTIMATER
!
!!
! ! ! !
!!!
Side 59 af 63
Januar 2011
! =
!!
treated
! ! ! ! !
!!!
!
treated
!
!!!
PROBLEM std.fejl skal fs fra de evt. non-param er men muligt @ bootstrap / -metoden.
18.3.1
Switching regression
Vi kan som nvnt altid tnke

! = ! + ! ,
! = ! + ! ,
! = ! = 0
s indsat i definitionen = 1 ! + ! = ! + ! ! giver det

= ! + ! ! + ! + ! !
som vi tnker p som en reg model
ANTAG
-
ATE.1 ! , = ! for = 0,1.
! ! = 0
s er = ! (fik vi allerede tidligere) og endvidere er

, = = ! + + !
-
med = ! ! = ! ! og ! = !
TNK ! ! er et fejlled, som vi har antaget betinget middelvrdi nul for.
EKSEMPEL
18.3.2
Vlg ! = (eller for lidt mere generelitet)

Svagere antagelser to ukendte g-funktioner
ANTAG
-
ATE.1
s er
, = = ! + + ! + ! !
-
hvor = , ! ! og ! ! .
KONKLUSION ATE.1 alene giver os to ting:

1) , er en funktion af og og (en funktion af ), dvs. , = , ,
2) , er additiv i
PROBLEM Saturated model
-
Hvis ! erne vlges for komplekse fr vi problemer (ikke datatthed alle vegne)
For at komme videre: antag form for g0 og g1

ANTAG
-
ATE.1
! = ! + ! for = 0,1.
Side 60 af 63
Januar 2011
s er
, = + + ! +
-
hvor =
ESTIMATION
-
OLS af ! p 1, ! , ! , ! !
RESULTATER
= +
!
! = +
!!
treated
! !
!!!
(husk nemlig at uden antagelser er ! = + ! ! = 1 )
18.3.3
Regression disc. designs
Hvis = og hvis har en diskontinuitet, kan det udnyttes

-
ofte vil fx = 1 ! < , eksempelvis briller gives til brn med drligere syn end 2
sammenligne personer med nsten samme er, men hvor n treates og n ikke gr.
18.4 Propensity score

Ved at fokusere p (i regression eller mere ikke-parametrisk), kan man opn konsistente estimater af
og !
MEN der gemmer sig nogle ret tunge antagelser under.
18.4.1
ATE skrevet som funktion af p, som estimeres med probit

=1
ANTAG
-
ATE.1
0< <1
(mao. antag 0 og 1)
S ER
=
! =
=1
1
IDE kan fs fra probit

PROCEDURE
1) Estimr fx vha. logit/probit med en Sieve funktionaf inden i
2) Tag sample equivallent af og !
!
!!
!!!
(hvor treated / =
! ! !
,
! 1 !
!
!!! !
! =
1
treated /
!!
!!!
! ! !
! 1 !
= 1 .)
BEMRKNINGER
Side 61 af 63

-
Januar 2011
Logit/probit sikrer, at ]0; 1[, men mske maskerer det bare det mulige sample problem, at der findes
s 0,1
18.4.2
Det hele kommer til at hvile p, hvordan man estimerer .

Regressr y p w og p-hat
Simpel id: tilfj som regressor, dvs. st ! + ! ! =

-
regressr ! p 1, ! , !
MOTIVATION
-
Som fr hvis vi tillader ! ! 0, kan vi opskrive det som en regression
ANTAG
-
ATE.1
! ! er ukorreleret med = 1
S GIVER regressionen -asymptotisk normalt estimat af (koeff. til ! ).

PROCEDURE
-
Estimr fx med probit.
Tilfj som regressor, dvs. regressr ! p 1, ! , !
BEMRKNINGER
-
Man kan ogs kre regression en ! p 1, ! , ! , ! ! ! , men s skal man i stedet antage, at
!
er liner i for = 0,1.
18.5 Matching
ANTAG
-
! , = 1 = ! , = 0
0< <1
S kan vi estimere
! =
1
treated
!treated
!! ! !! ! , = 0
!!!
wtf??
estimeres vha. -nearest neighbors !! ! , = 0 = !!!
!!
!! nearest neighbors
BEMRKNINGER
-
Matching estimatorer balancerer samplet s det ligner, at kovariaterne kommer fra mere iid-agtige
processer.
Tillader heterogene responses ikke-parametrisk tilgang ingen restriktioner p respons.
Bedre -estimator ikke bare bruge de nrmeste, men alle naboer vgtet efter deres afstand i .
18.6 IV-metoder
Skriv ligningen som
Side 62 af 63
Januar 2011
= ! + ! ! + ! + ! !
TILLADER
-
tillades at vre endogen

-
( OBS! i alm. 2SLS er der ingen yderligere betnkninger ved at instrumentere en dummy!)
BEMRK
-
Hvis ! = ! , er = ! generelt
-
(dvs. hvis ! og ! har samme stokastiske led, s vil interaktionsleddet med g ud, og
afhnger alts ikke af (svarende til, at ! = ! essentielt set))
HVIS instrument ukorr. med sammensatte fejlled potentielt muligt at instrumentere

ANTAG ATE.2 ortogonal eligibility
-
! = ! og en mildere version af ! , og mere
S direkte estimation krer og vi kan skrive

= ! + + ! + !
-
= og ! = ! ! , ,
TNK = eligibility uafh. af observables, fx Angrists lotteri for vrnepligt: = lotterinummer (hjt
nok ind og springe, men nogen slap && tilfldigt)
ANTAG ATE.2 ID: ! er det optimale instrument for !

-
! = ! og = 1 , = , ; (fx probit) og mere
PROCEDURE
1) Estimr ! , ; ved MLE (fx probit).
2) Estimr , dvs. ! p 1, ! og ! med instrumenter 1, ! og ! .
BEMRK bygger vigtigt p antagelsen om, at er korrekt specificeret!
MERE STRUKTUR
-
Skriv ! = ! + ! , hvor alts ! = 0 for = 0,1
ANTAG ATE.3
-
ATE.2 og
! = ! + ! for = 0,1
! = !
(evt. nok med ! ! , = ! ! . )
Da bliver ! ! = og
= + + ! + + ! !
PROBLEM og ! , ! korrelerer mske og mske gr en af regressorne
LSNING IV
PROCEDURE
1) Estimr ! ud fra (probit)
2) OLS af ovenstende ligning, ! p 1, ! , ! , ! ! med instr 1, ! , ! , ! ! .
BEMRK
-
! = ! er crucial!
ANTAG ATE.4
-
en masse plus = 1 , = ! + ! + !
Side 63 af 63
Januar 2011
PROCEDURE
1) Estimr ! ! + ! ! + ! ! og ! .
2) OLS ! p ! , ! , ! ! , ! med instr ! , ! , ! ! , ! (dvs. ! = ! for ! , alt andet for sig
selv).
ANTAG ATE.4
-
Som ovenstende, men = 1 ! + ! + ! OG , ! , ! ~!
PROCEDURE
1) Estimr ! ! + ! ! + ! ! og ! .
2) OLS uden IV ! p ! , ! , ! ! , ! ! /! , 1 ! ! / 1 ! .
Side 64 af 64

Eksamensnoter Til Advanced Microeconometrics

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Eksamensnoter Til Advanced Microeconometrics

Uploaded by

Copyright:

Available Formats

Eksamensnoter Advanced Microeconometrics Anders Munk-Nielsen

Eksamensnoter Adv. Microeconometrics

Eksamensnoter Advanced Microeconometrics Anders Munk-Nielsen

Basic linear unobserved effects .................................................................................................................. 6

Random effects .................................................................................................................................. 6

10.1.1 Test for unobserved effects............................................................................................................ 7

10.2.1 Inferens .......................................................................................................................................... 8

10.3.1 Inferens ........................................................................................................................................ 10

10.4.1 FE vs. FD ..................................................................................................................................... 10

More topics in linear unobserved effects ................................................................................................. 11

Sekventiel eksogenitet ..................................................................................................................... 12

11.2.1 Instrumentering ............................................................................................................................ 12

Individual slopes .............................................................................................................................. 14

GMM tilgang ................................................................................................................................... 14

Chamberlains tilgang ...................................................................................................................... 14

11.6.1 Hausman-Taylor .......................................................................................................................... 15

2-trins estimation ............................................................................................................................. 17

Konsistens og asymptotisk normalitet ............................................................................................. 17

12.4.1 Uden nuisance.............................................................................................................................. 17

Testning (12.6) ............................................................................................................................... 19

Eksamensnoter Advanced Microeconometrics Anders Munk-Nielsen

12.5.1 Wald ............................................................................................................................................ 19

Maximum Likelihood estimation ............................................................................................................. 21

Avar estimation ................................................................................................................................ 21

13.3.1 Unobs.eff. and strict exo .............................................................................................................. 22

Uncond. MLE (UMLE) vs. cond. MLE (CMLE) ............................................................................ 23

Efficiente instrumenter (14.5.3, pp. 439-442) ............................................................................... 24

Classical Minimum Distance (CMD) .............................................................................................. 24

Discrete Response Models ....................................................................................................................... 24

Linear Probability Model (LPM) problematisk ............................................................................ 24

Latent variabel model probit og logit ........................................................................................... 25

15.2.1 MLE (pp. 460-461) ...................................................................................................................... 25

Tests i binary response index modeller ........................................................................................... 26

15.3.1 Hetsked ........................................................................................................................................ 26

Reporting results .............................................................................................................................. 26

Random Utility Model ..................................................................................................................... 26

Specification issues .......................................................................................................................... 27

15.6.1 Neglected heterogeneity (c udeladt) ............................................................................................ 27

Panel data / cluster samples ............................................................................................................. 30

15.7.1 Pooled estimation ........................................................................................................................ 31

Eksamensnoter Advanced Microeconometrics Anders Munk-Nielsen

Multinomial response ...................................................................................................................... 34

15.8.1 Multinomial logit ......................................................................................................................... 34

Ordered response ordered logit/probit .......................................................................................... 36

Censored regressions and corner solution models ................................................................................... 37

16.1.1 Estimation .................................................................................................................................... 37

Neglected heterogeneity (16.6.1) ................................................................................................... 38

Hetsked & ikke-normalitet .............................................................................................................. 39

Estimation under svagere antagelser ............................................................................................... 39

16.5.1 Powel estimatoren........................................................................................................................ 39

Tobit for panel ................................................................................................................................. 41

16.6.1 Sml. med alm. tobit ..................................................................................................................... 41

Sample selection attrition and stratified sampling ................................................................................... 43

Sample selection .............................................................................................................................. 43

Simpel model ................................................................................................................................... 43

17.2.1 ML i sample selection PMLE ................................................................................................... 44

Eksamensnoter Advanced Microeconometrics Anders Munk-Nielsen

17.2.8 Tobit med endogene forklarende vars ......................................................................................... 48

Paneldata: Sample selection ............................................................................................................ 49

17.3.1 Fixed effects p ubalancerede paneler ......................................................................................... 49

Non-parametric bounds ................................................................................................................... 52

Treatment effects ...................................................................................................................................... 52

18.1.1 Nonparam id ignorability of treatment ..................................................................................... 53