Endogeniczność i Metoda Zmiennych Instrumentalnych (IV)

Podobne dokumenty
Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Metody Ekonometryczne

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej

Metody Ekonometryczne

Metody Ekonometryczne

Ekonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Modele wielorównaniowe. Jakub Mućk. Katedra Ekonomii Ilościowej

Modele wielorównaniowe (forma strukturalna)

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Metody Ekonometryczne

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Modele wielorównaniowe

Natalia Neherbecka. 11 czerwca 2010

Testowanie hipotez statystycznych

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Testowanie hipotez statystycznych

Stanisław Cichocki. Natalia Nehrebecka

Metoda najmniejszych kwadratów

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 9

Problem równoczesności w MNK

Losowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej

Metody Ekonometryczne Modele wielorównaniowe

Metoda najmniejszych kwadratów

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

1.1 Klasyczny Model Regresji Liniowej

Ekonometria. Zajęcia

Stanisław Cichocki. Natalia Nehrebecka

Własności statystyczne regresji liniowej. Wykład 4

Stosowana Analiza Regresji

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12

Ekonometria - ćwiczenia 1

STATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009

Testowanie hipotez statystycznych

Uogólniona Metoda Momentów

Mikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Czasowy wymiar danych

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla

Rozdział 8. Regresja. Definiowanie modelu

Stanisław Cichocki Natalia Nehrebecka. Wykład 7

Wst p do ekonometrii II

1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.

Definicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe

Metoda największej wiarogodności

Diagnostyka w Pakiecie Stata

Ekonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

Metody Ilościowe w Socjologii

Testowanie hipotez statystycznych

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,

0.1 Modele Dynamiczne

Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego

Stanisław Cichocki Natalia Neherbecka

Weryfikacja hipotez statystycznych

0.1 Modele Dynamiczne

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria egzamin 07/03/2018

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Wprowadzenie do analizy korelacji i regresji

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

Egzamin z ekonometrii - wersja ogólna

Modele wielorownaniowe

Prawdopodobieństwo i rozkład normalny cd.

Modele zapisane w przestrzeni stanów

Materiał dla studentów

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki. Natalia Nehrebecka. Wykład 14

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki.

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.

HISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =

Egzamin z ekonometrii wersja IiE, MSEMAT

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

Mikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński

Stacjonarność Integracja. Integracja. Integracja

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Stanisław Cihcocki. Natalia Nehrebecka

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.

Mikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński

Transkrypt:

Endogeniczność i (IV) Endogeniczność i IV Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 1 / 26

Outline Istota problemu 1 Istota problemu Błąd pomiaru Problem pominiętych zmiennych Współprzyczynowość 2 3 Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji (overidentification restriction) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 2 / 26

Twierdzenie Gaussa -Markowa Istota problemu Założenia: 1 rz(x) = k + 1 n 2 E(Xε) = 0 3 E(ε) = 0 4 Var(ε) = E(εε T ) = I σ 2 5 εi N (0, σ 2 ) Twierdzenie Gaussa - Markowa Estymator ˆβ uzyskany Klasyczną Metodą Najmniejszych Kwadratów jest estymatorem BLUE [best linear unbiased estimator], tj. zgodnym, nieobciążonym i najefektywniejszy w klasie liniowych estymatorów wektora β. Zgodnie z założeniem (2) zmienne objaśniające są egzogeniczne. Endogeniczność polega na niespełnieniu warunku (2). W tym przypadku E(Xε) 0. (1) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 3 / 26

Twierdzenie Gaussa -Markowa Istota problemu Założenia: 1 rz(x) = k + 1 n 2 E(Xε) = 0 3 E(ε) = 0 4 Var(ε) = E(εε T ) = I σ 2 5 εi N (0, σ 2 ) Twierdzenie Gaussa - Markowa Estymator ˆβ uzyskany Klasyczną Metodą Najmniejszych Kwadratów jest estymatorem BLUE [best linear unbiased estimator], tj. zgodnym, nieobciążonym i najefektywniejszy w klasie liniowych estymatorów wektora β. Zgodnie z założeniem (2) zmienne objaśniające są egzogeniczne. Endogeniczność polega na niespełnieniu warunku (2). W tym przypadku E(Xε) 0. (1) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 3 / 26

Istota problemu Endogeniczność a implikacje dla estymatora MNK Zmienna Endogeniczna Zmienna objaśniająca jest endogeniczna (endogenous) jeżeli jest skorelowana ze składnikiem losowym, tj., E (ε x) 0. Niezgodność i obciążoność estymatora MNK Endogeniczność prowadzi do niezgodności estymatora MNK i jego obciążoności. Standardowe przypadki kiedy zmienna objaśniająca jest endogeniczna: 1 Błąd pomiaru (measurement error). 2 Problem pominiętych zmiennych (omitted variable bias). 3 Współprzyczynowość (simultaneity causality). Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 4 / 26

Istota problemu Endogeniczność a implikacje dla estymatora MNK Zmienna Endogeniczna Zmienna objaśniająca jest endogeniczna (endogenous) jeżeli jest skorelowana ze składnikiem losowym, tj., E (ε x) 0. Niezgodność i obciążoność estymatora MNK Endogeniczność prowadzi do niezgodności estymatora MNK i jego obciążoności. Standardowe przypadki kiedy zmienna objaśniająca jest endogeniczna: 1 Błąd pomiaru (measurement error). 2 Problem pominiętych zmiennych (omitted variable bias). 3 Współprzyczynowość (simultaneity causality). Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 4 / 26

Błąd pomiaru I Istota problemu Załóżmy, że prawdziwy DGP (data generating process) dla konsumpcji (c) można zapisać następująco: gdzie inc oznacza dochód permanentny. c = α + βinc + ε (2) Zazwyczaj posiadamy dane o inc, ale nie o dochodzie permanentnym. W takim przypadku staramy się aproksymować dochód permanentny dochodem bieżącym. inc = inc + η, (3) gdzi eη to losowy błąd pomiaru η N ( 0, σ 2 η). Bieżący dochód (inc) jest zatem proxy variable dochodu permenentnego (inc ). Wykorzystując prawdziwy proces generujący dane (2): c = α + β (inc + η) + ε = α + βinc + βη + ε = α + βinc + ν, (4) gdzie ν = ε + βη. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 5 / 26

Błąd pomiaru II Istota problemu Kluczowe jest tutaj zbadanie kowariancji między dochodem bieżącym inc a składnikiem losowym (ν): cov(inc, ν) = E (incν) = E ((inc + η)(ε + βη)) = E ( βη 2) = σ 2 ηβ 0. (5) Zatem błąd pomiaru (measurement error ) może prowadzić do endogeniczności. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 6 / 26

Problem pominiętych zmiennych I Istota problemu Ekonomia pracy (labor economics): zwrot z edukacji. Założmy, że prawdziwy proces generujący dane dla logarytmu płac (w) to: w = α + ρs + βa + ε, (6) gdzie S to stopień wykształcenia (lub liczba lat edukacji), a A mierzy zdolności indywidualne oraz motywcje. Problem: dane o A są niedostępne. Rozważmy jednak bardziej aplikacyjną (i przez to uproszczoną wersję) zależności (7): w = α + ρs + η, (7) gdzie składnik losowy η uwzględnia indywidualne umiejętności i predyspozycje (A), tj. η = ε + βa (8) Wtedy estymator MNK dla ρ, a więc zwrotu z edukacji, może zostać uproszczony do : ˆρ OLS = cov(w, S)/Var(S). (9) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 7 / 26

Problem pominiętych zmiennych II Istota problemu Wykorzystując jednak prawdziwy proces generujący dane dla płac w: ˆρ OLS = Po przekształceniach uzyskujemy: ˆρ OLS = cov(α + ρs + βa + ε, S), (10) Var(S) 1 cov(a, S) E [(α + ρs + ε) S + βas] = ρ + β ρ. (11) Var(S) Var(S) }{{} =bias Estymator MNK zwrotu z edukacji (ˆρ OLS ) będzie zatem obciążony w górę (upward biased jeżeli znaki prawdziwego parametru β i komponent cov(a, S)/Var(S) są takie same. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 8 / 26

Współprzyczynowość I Istota problemu Przykład: (Keyensowski)model konsumpcji: c = α + βy + ε (12) y = c + i (13) gdzie c to konsumpcja, yodpowiada zagregowanemu produktowi, i to inwestycje a ε to składnik losowy, t.j., ε N (0, σ 2 ε). W powyższym systemie równań mamy dwie zmienne endogeniczne (c oraz y) i jedną zmienną egzaogeniczną (i). Postać zredukowana (reduced form) to taka postać modelu, w której zmienne endogeniczne są determinowane jedynie przez zmienne egzogeniczne oraz zaburzenia losowe. W naszym przypadku: y = c + i y = α + βy + ε + i (1 β)y = αi + ε y = α (1 β) + 1 (1 β) i + 1 (1 β) ε. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 9 / 26

Współprzyczynowość II Istota problemu Ogólny zapis estymatora MNK dla krańcowej skłonności do konsumpcji (β) można wyprowadzić korzystając z tożsamości (12): (y ȳ) ε ˆβ OLS = β + (y ȳ) 2. (14) }{{} =0 jezeli E(y ε)=0 Ale z formy zredukowanej naszego modelu wiemy, że y zależy od ε. W takim przypadku ˆβ OLS β, a więc estymator MNK będzie niezgodny. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 10 / 26

Istota problemu Endogeniczność jest również charakterystyczna dla estymatora MNK w przypadku specyficznych modeli ekonometrycznych: wielorównaniowych (jednoczesnych) modeli ekonometrycznych (simultaneous equations model). model Koycka. dynamicznych modeli panelowych z efektami indywidualnymi. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 11 / 26

Outline 1 Istota problemu Błąd pomiaru Problem pominiętych zmiennych Współprzyczynowość 2 3 Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji (overidentification restriction) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 12 / 26

Koncepcja x β y x zmienna objaśniająca; y zmienna objaśniana; ε składnik losowy; z zmienna instumentalna (instrument). Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 13 / 26

Koncepcja x β y ε x zmienna objaśniająca; y zmienna objaśniana; ε składnik losowy; z zmienna instumentalna (instrument). Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 13 / 26

Koncepcja x β y cov(x, ε) 0 ε x zmienna objaśniająca; y zmienna objaśniana; ε składnik losowy; z zmienna instumentalna (instrument). Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 13 / 26

Koncepcja z cov(z, ε) = 0 x β y cov(x, ε) 0 ε x zmienna objaśniająca; y zmienna objaśniana; ε składnik losowy; z zmienna instumentalna (instrument). Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 13 / 26

Rozważmy prostą zależność liniową: y = α + βx + ε and cov(ε, x) 0. (15) Oszacowania uzyskane MNK β będą niezgodne. Metoda zmiennych instrumentalnych (Instrumental variables IV) pozwala podzielić zmienność endogenicznej zmiennej (x) na dwa komponenty: 1 komponent, który potencjalnie nie jest skorelowany ze składnikiem losowym (ε), 2 komponent, który może być skorelowany ze składnikiem losowym (ε). Powyższy zabieg jest możliwy dzięki wykorzystaniu zmiennej instrumentalnej (instrument, z), która nie jest skorelowana ze składnikiem losowym ε. Instrument (z) pozwala zatem na zidentyfikowanie tej części zmienneości zmiennej endogenicznej, która nie jest skorelowana ze składnikiem losowym ε i dzięki temu można uzyskać zgodne oszacowania β. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 14 / 26

Własności instrumentów Zmienna instrumentalna powinna spełniać następujące warunki: [Instrument relevance] Zmienna instrumetalna powinna być mocna., tj. cov(z, x) 0 (16) gdzie z to instrument, a x to zmienna endogeniczna. Oznacza to, że instrumenty powinny być skorelowane ze zmienną endogeniczną. [Instrument exogeneity] Zmienna instrumetalna powinna być egzogeniczna., tj. cov(z, ε) 0 (17) a więc zmienna instrumentalna nie moze być skorelowana ze składnikiem losowym. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 15 / 26

Outline Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji 1 Istota problemu Błąd pomiaru Problem pominiętych zmiennych Współprzyczynowość 2 3 Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji (overidentification restriction) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 16 / 26

I Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Podwójna metoda najmniejszych kwadratów ( 2SLS, Two Stages Least Squares ) polega na dwustopniowym szacowaniu wektora nieznanych parametrów β: y = β 0 + β 1x 1 +... + β k x k + β k+1 w 1 +... + β k+r w r + ε, (18) gdzie x i to zmienne endogeniczne, a w j to zmienne egzogeniczne. Zakładamy, że mamy k zmiennych endogenicznych, m instrumentów i r zmiennych egzogenicznych. Krok pierwszy to regresja/e x i zmiennych endogenicznych względem instrumentów (w 1,..., w r) oraz pozostałych zmiennych egzogenicznych (w 1,..., w r): i 1,...,k x i = π 0 + π 1z 1 +... + π mz m + π m+1w 1 +... + π m+rw r + η. (19) Na podstawie oszcowań MNK parametrów wektora π wyznaczamy wartości teoretyczne dla endogenicznych, tj. ˆx i., tj. i 1,...,k ˆx i = ˆπ 0 + ˆπ 1z 1 +... + ˆπ mz m + ˆπ m+1w 1 +... + ˆπ m+rw r. (20) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 17 / 26

II Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Krok pierwszy podwójnej metody najmniejszych kwadratów jest nazwyany formą zredukowaną (reduced form) dla zmiennej instrumentalnej. Krok drugi polega na wykorzystaniu liniowej projekcji z postaci zredukowanej, a więc ˆx i w szacowaniu parametrów postaci strukturalnej: y = β 0 + β 1ˆx 1 +... + β kˆx k + β k+1 w 1 +... + β k+r w r + ε. (21) za- Estymatorem podwójnej metody najmniejszych kwadratów tem parametry modelu (21) szacowane MNK. ˆβ 2SLS będą Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 18 / 26

Problem identyfikacji Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji W metodzie zmiennych instumentalnych parametry przy zmiennych endogenicznych będą: 1 Dokładnie identyfikowalne (exactly identified) jeżeli m = k. 2 Nadmiernie identyfikowalne (overidentified) jeżeli m > k. 3 Brak identyfikowalności (underidentified) będzie równoznaczny sytuacji, gdy m < k. gdzie: k liczba zmiennych endogenicznych, m liczba instrumentów. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 19 / 26

Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Konsekwencje wykorzystania słabych lub endogenicznych instrumentów Dla uproszczenia: 1 zmienna endeogeniczna (x) oraz 1 zmienna instrumentalna (z). Wtedy asymptotyczne obciążenie estymatorów OLS i 2SLS(IV): plim ( ) ˆβOLS = β + cor(x, e) σe, (22) σ x plim ( ) cor(z, e) σ ˆβIV e = β +. (23) cor(z, x) σ z Zatem, estymator IV jest zgodny i nieobciążony, gdy: a więc gdy instrumenty są mocne i egzogeniczne. cor(z, e) = 0, (24) cor(z, x) W przypadku słabych instrumentów, estymator IV charakteryzuje się wysoką wariancją. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 20 / 26

Testowanie mocy instrumentów I Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Kluczowym założeniem 2SLS, czy szerzej IV, jest korelacja zmiennych endogenicznych z instrumentami. Ujmując innymi słowami, instrumenty muszą być mocne. Moc instrumentów (instrument relevance) można analizować za pomocą statystyki F testu Walda dla regrrsji w pierwszym kroku: x i = π 0 + π 1z 1 +... + π mz m + π m+1w 1 +... + π m+rw r + η. (25) analizując hipotezę: H 0 : π 1 =... = π m = 0. (26) Jako rule of thumb przyjmuje się wartość 10 dla statystyki F. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 21 / 26

Test Hausmana I Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Test Hausmana pozwala na porównanie dwóch estymatorów: β 1 charakteryzuje się wyższą efektywnością (niższą wariancją), β 2 charakteryzuje się niższą efektywnością. Hipoteza zerowa testu Hausmana postuluje zgodność obu estymatorów. Natomiast w hipotezie alternatywnej zakłada się brak zgodności estymatora o wyższej efektywności β 1 przy jednoczesnej zgodności estymatora o niższej efektywności, β 2. Formalna statystyka testu Hausmana: H = ( β 2 β 1) T [ Var(β 2 ) Var(β 1 ) ] 1 ( β 2 β 1), (27) ma rozkład χ 2 z n stopniami swobody odpowiadającymi rzędowi macierzy Var(β 2 ) Var(β 1), a więc zazwyczaj (ale nie zawsze) liczbie parametrów wektora β. Statystyką Hausmana H można zapytać czy różnice pomiedzy estymatorami są statystycznie istotne. W przypadku metody zmiennych instrumentalnych można porównać oszacowania 2SLS z oszacowaniami OLS aby zbadać endogeniczność zmiennych. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 22 / 26

Test Hausmana II Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Hipoteza alternatywna odnosi się do sytuacji, w której estymator OLS jest niezgodny (endogeniczność) a estymator 2SLS (IV) jest zgodny. Warto tutaj zauważyć, że estymator 2SLS będzie zawsze mniej efektywny niż estymator OLS. Odrzucenie H 0 może wskazywać na problem endogeniczności. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 23 / 26

Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji W przypadku gdy liczba instrumentów jest większa od liczby zmiennych endogenicznych, tj. jeżeli m > k, można zbadać zasadność (validity) nadmiarowych restrykcji. Procedura jest następującą: 1 Oszacuj parametry strukturalnego równania (modelu dla dugiego kroku). Wyznacz reszty ê. 2 Oszacuj parametry regresji pomocnicznej, w której zmienną objaśniną są reszty ê, a zmiennymi objąsniającymi wszystkie zmienne egzogeniczne. 3 Na podstawie R 2 można wyznaczyć statystykę testową, tj. nr 2 χ 2 m k. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 24 / 26

Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji Przykłady zmiennych instrumentalnych (Angrist i Krueger, 2001) Zmienna objaśniana Endogeniczna zmienna objaśniająca Zmienna instrumentalna Badanie Earnings Years of schooling Region and time Duflo (2001) variation in school construction Earnings Years of schooling Proximity to college Card (1995) Earnings Years of schooling Quarter of birth Angrist and Krueger (1991) Earnings Veteran status Cohort dummies Imbens and van der Klaauw (1995) Birth weight Maternal smoking State cigarette taxes Evans and Ringel (1999) Health Heart attack surgery Proximity to cardiac McClellan, McNeil care centers and Newhouse (1994) College enrollment Financial aid Discontinuities in financial van der Klaauw aid formula (1996) Crime Police Electoral cycles Levitt (1997) Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 25 / 26

Testowanie mocy instrumentów Test Hausmana Testowanie nadmiarowych restrykcji uwagi końcowe Problem doboru instrumentów. Utrata efektywności instrumentów. Mniejsza precyzja oszacowań jest w szczególności znacząca gdy instrumenty są słabe. Obciążoność (bias) oszacowań IV może być znacząca w małych próbach. Niesferyczność macierzy wariancji-kowariancji Heteroskedastyczność/ autokorelacja składnika losowego powinna być uwzględniiona w oszacowaniach IV. W przeciwnym przypadku, testy statystyczne służące diagnostyce założeń IV mogą być niewiarygodne. Jakub Mućk Metody Ekonometyczne Wykład 5 Endogeniczność i IV 26 / 26