Upload
internet
View
103
Download
0
Embed Size (px)
Citation preview
Aula 14
Introdução ao Stata05 de julho de 2013
Modelos com dados ordenados
• A variável dependente pode cair em múltiplas categorias exclusivas mas com uma natureza ordenada.
• A distância entre as categorias é desconhecida.
• Exemplos: pesquisas de opinião.• Modelos probit ou logit ordenados.
• Resultado de yi é uma das m alternativas.
• J = 1.... m alternativas que são ordenadas.• Modelo de variável latente:• Para uma única observação i: • Irei escolher m se:
jyi
Modelos com dados ordenados
Exemplo
• Você considera que uma mãe trabalhar garante uma relação segura entre mãe e filho?– (SD) discorda totalmente– (D) discorda– (A) Concorda– (SA) Concorda totalmente
• Variável latente: propensão das mães em concordar que mães que trabalham são boas mães.
Exemplo
Exemplo
• Probabilidade de y ser igual a m:
Exemplo: estado de saúde
• Y=1 ruim• Y=2 bom• Y=3 excelente
Comando ologit
/cut2 .9513097 .2054301 .5486741 1.353945
/cut1 -1.39598 .2061301 -1.799987 -.9919722
ndisease -.0549905 .0040692 -13.51 0.000 -.0629661 -.047015
linc .2836537 .0231098 12.27 0.000 .2383593 .3289481
age -.0292944 .001681 -17.43 0.000 -.0325891 -.0259996
hlthstat Coef. Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -4769.8525 Pseudo R2 = 0.0720
Prob > chi2 = 0.0000
LR chi2(3) = 740.39
Ordered logistic regression Number of obs = 5574
Significativos, categorias não podem ser colapsadas.
Efeito marginal
• Qual efeito de mudar a variável xr sobre a probabilidade de escolher a alternativa j:
ndisease -.0136704 .00101 -13.50 0.000 -.015655 -.011686 11.2053
linc .070515 .00575 12.26 0.000 .05924 .08179 8.69693
age -.0072824 .00042 -17.43 0.000 -.008101 -.006463 25.5761
variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
= .53747616
y = Pr(hlthstat==3) (predict, outcome(3))
Marginal effects after ologit
ndisease -.0121792 .0008643 -14.09 0.000 -.0138732 -.0104852
linc .0628232 .0049561 12.68 0.000 .0531094 .072537
age -.0064881 .0003379 -19.20 0.000 -.0071503 -.0058258
excellent
ndisease .0078561 .0005773 13.61 0.000 .0067246 .0089875
linc -.0405234 .0032951 -12.30 0.000 -.0469816 -.0340651
age .0041851 .0002214 18.90 0.000 .0037511 .004619
good
ndisease .0043232 .0003376 12.81 0.000 .0036615 .0049848
linc -.0222998 .0018975 -11.75 0.000 -.0260188 -.0185808
age .002303 .0001506 15.29 0.000 .0020078 .0025982
poor_or_fair
variable Coef. Std. Err. z P>|z| [95% Conf. Interval]
y = Pr(hlthstat)
Average partial effects after ologit
. margeff , predict
Modelo de regressão censurada
• A variável y é censurada, somente observamos seus valores acima ou abaixo de um determinado limite.
• Gastos iguais a zero, o dado é censurado à esquerda abaixo de um determinado limite L.
ExemplosSoluções de canto
1. Quantidade de dinheiro doado para caridade: muitas pessoas não fazem este tipo de doação. Uma parcela expressiva dos dados será igual a zero.
2. Horas trabalhadas pelas mulheres: muitas mulheres não trabalham. Uma fração significativa tem horas de trabalho igual a zero.
Modelo Tobit é usado para modelar estas situações
12
Exemplo: oferta de trabalho feminina
• Suponha que queremos estimar o efeito da educação x nas horas trabalhadas de mulheres casadas y.
• O modelo tobit é escrito a partir de uma variável latente y*, que é parcialmente observada pelo pesquisador:
y*=β0+β1x+u e u~N(0,σ2) 13
Exemplo: oferta de trabalho feminina
• Se y* é positiva, y* é igual ao total de horas trabalhadas : y.
• Se y* é negativo, as horas trabalhadas, y, se igualam a zero.
• Por hipótese, u é normalmente distribuído.
14
Exemplo: oferta de trabalho feminina
O modelo pode ser escrito como: yi*=β0+β1xi+ui …………………..(1)
tal que yi=yi* if yi*>0
yi=0 if yi*≤0
e ui~N(0,σ2)
15
Horas trabalhadas
O subscrito i denota a i-ésima observação. A equação (1) satisfaz as hipóteses do modelo linear clássico.
16
y*, y
Educ
Quando y* é negativo, horas trabalhadas são iguais a zero.
Ilustração gráfica
Exemplo: oferta de trabalho feminina
• A variável, y*, pode ser negativa, mas se negativa, horas trabalhadas são iguais a zero.
• O modelo Tobit considera o fato de que muitas mulheres não trabalham, logo, horas trabalhadas são iguais a zero para muitas.
17
Modelo Tobit
• Censura à esquerda
• Censura à direita
19
MQO e Tobit
• As estimativas dos coeficientes Tobit tem o mesmo sinal dos estimados por MQO.
• As estimativas Tobit são maiores que MQO contudo isto não é o efeito marginal direto pois dependerá do valor de x.
• Temos que considerar as estimativas dos efeitos marginais.
• Com relação à significância, os resultados são bem parecidos.
Efeitos parciais(efeitos marginais)
• Os parâmetros estimados βj medem o efeito de xj em y*.
• Contudo, na solução de canto, estamos interessados no efeito de xj sobre y.
• Devemos estimar o efeito sobre o valor esperado de y.
20
Efeitos parciais(efeitos marginais)
• A esperança de y dado x é dada por:
E(y|x)=P(y>0)E(y|y>0,x) +P(y=0)E(0|y=0,x) =P(y>0)E(y|y>0,x) …………..(1)
21
zero
Efeito marginal
• Logo, existem duas formas de computar o efeito parcial de x sobre a esperança condicional de y:
22
O efeito de x sobre as horas de trabalho daqueles que estão trabalhando.
O efeito total de x nas horas trabalhadas.
)()|(
.2
)()(1),0|(
.1
101
1010101
x
x
xyE
xxx
x
xyyE
Efeito marginal
• Ambos efeitos parciais dependem de x. Logo, eles diferem para as observações diferentes dos dados.
• Contudo, precisamos saber o efeito total ao invés do efeito específico para uma observação do dado.
• Da mesma forma que nos modelos Probit e logit models, existem duas formas de computar o efeito parcial total:
23
Efeito marginal total
• Efeito parcial na média: coloca a média das variáveis explicativas (PEA).
• Média do efeito parcial (APE): computa o efeito parcial para cada indivíduo no banco de dados e depois tira a média destes efeitos individuais.
24