1 / 32

Una “soluzione d’angolo”

y 2. A. B. y 1. 0. Una “soluzione d’angolo”. Di solito la scelta del consumatore è identificata dal punto di tangenza tra retta del bilancio e curva di indifferenza. Ma non sempre . Nella figura, la tangenza sarebbe nel punto B,. in cui y 2 < 0 . Ma un consumo negativo

efia
Download Presentation

Una “soluzione d’angolo”

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. y2 A B y1 0 Una “soluzione d’angolo” Di solito la scelta del consumatore è identificata dal punto di tangenza tra retta del bilancio e curva di indifferenza. Ma non sempre. Nella figura, la tangenza sarebbe nel punto B, in cui y2 < 0. Ma un consumo negativo è impossibile. Il paniere preferito sulla retta del bilancio è A, in cui y2 = 0. Una corner solution

  2. Il modello di Regressione Ricordando che: TRONCAMENTO : E(x/x>a) =  +  (a) e V(x/x>a) = ²[1- (a)] CENSURA:

  3. ATTENZIONE notazione importantissima: Finora abbiamo considerato distribuzioni con un punto di troncamento a che viene poi standardizzato sottraendo la media e dividendo per  Quando consideriamo i modelli di regressione Il punto di troncamento rimane unico Lo scarto rimane unico Ma…. Il valor medio cambia, infatti sappiamo che E(yi) = xi cioè è diverso per ciascun soggetto QUINDI il punto (UNICO) di troncamento ha un valore standardizzato DIVERSO per ciascun individuo e quindi avremo:

  4. Regressione troncata: Regressione censurata: modello modelloTobin o Tobit (censura al punto 0) Quindi OLS distorti e inconsistenti

  5. Regressione troncata: verosimiglianza Regressione censurata: verosimiglianza

  6. Regressione troncata: effetto marginale: Il fattore 1- (che deriva dalla varianza troncata) è compreso tra 0 e 1 quindi per ciascuna variabile l’effetto marginale è MINORE del corrispondente coefficiente, si verifica una sorta di ATTENUAZIONE dell’effetto Questo avviene nella sottopopolazione NON troncata, naturalmente a volte siamo interessati a tutta la popolazione e quindi guarderemo semplicemente al coefficiente βche rappresenta l’effetto marginale nell’intera popolazione

  7. Un risultato utile: abbiamo visto che Questo implica che: distorsione La varianza contiene le x (incluse nei i) quindi è ETEROSCHEDASTICO

  8. Alcunedomandefondamentali: • Qualevariabile è di interesse (cosavogliamoprevedere)? • y*? (I non censurati) Probabilmente NO – di solito non rilevante • y? (ladistribuzionelatente) Di solito SI, ilvalore per unaunitàscelta a casodallapopolazione • y | y>0? Forse. Dipendedaciòcheciinteressa • Qual’èilresiduo? • (y – previsto)? Probabilmente no, come consideriamoglizeri? • (qualcosa - x) ? Probabilmente no. x Non è la media. • Quindiqualisonoglieffettimarginali e le mediecondizionatealle x?

  9. Regressione censurata: effetto marginale con censura a sx nel punto 0 Che può essere scomposta in due parti: Si vede così che un cambiamento nelle x ha un DOPPIO effetto: Condiziona la media della parte NON censurata Modifica la prob. di essere censurati

  10. In altri termini l’effetto marginale non è costante, quindi la lettura dei coefficienti del modello NON è sufficiente. L’effetto sulle Y di una variazione delle X DIPENDE dal valore delle X, quindi, ad esempio, è diversa per ogni individuo (perché ha un vettore di X diverso) Se vogliamo una indicazione di sintesi rappresentiamo l’effetto delle X nel “punto medio” o per “l’individuo medio”. Cioè sostituiamo nelle formule di calcolo Se il modello ha più esplicativedue possibilità: valutazione effettuata nel punto medio per UN coefficiente, e per un valore pari a 0 per le altre variabili Valutazione nei punti medi di tutte le variabili, questo ultimo processo equivale a calcolare la media dei valori stimati individuali, modificando una sola variabile indipendente Con lo stesso principio è possibile misurare l’effetto di modificazioni delle variabili per tipologie di unità .

  11. Lo stesso principio si utilizza per il calcolo dei valori previsti e dei residui: Il metodo di calcolo dei valori previsti e quindi dei residui Poiché il modello precede una “mistura” il metodo deve simultaneamente rendere conto della parte censurata (Ripartizione) e della parte ossservata: Naturalmente dipende dalla distribuzione ipotizzata a priori: Per residui normali è: In sostanza avremo un y=0 per coloro che date le x non superano la soglia stimata di censura

  12. Esempio di stima: modello per le ore lavorate da un campione di donne (USA) Quester e Greene (1982) Obiettivo: verificare se le le donne il cui matrimonio sta per dissolversi, tendono a passare più o meno ore al lavoro

  13. Esempio 2: Acquisto di carne = f(reddito) Dati artificiali, censura artificiale

  14. Esempio 2: Sportelli bancari = f(addetti) Dati effettivi, censura artificiale

  15. Esempio 2: Sportelli bancari = f(addetti) Zoom sulla parte troncata/censurata

  16. Zoom sulla censura

  17. Eteroschedasticità Problema, in generale risolto sostituendo nella MLE Naturalmente è necessario specificare una “forma per l’eteroschedasticità Ad esempio: Non normalità stimatore robusto: LAD (Least Absolute Deviation) estimator Molto complesso Test di chester e Irish (1987) sui residui generalizzati Stima con dati panel = problema ancora aperto Problema principale sono i processi “double hurdle” con doppia decisione  Sample selection models

More Related