130 likes | 355 Views
TOPICOS DE ECONOMETRIA APLICADA Uso de Variables Dummy Cross Section. Daniel Lema. Introducción. Variables categóricas: dificultad de cuantificación Ej.diferencias salariales hombre/mujer Diferencias de nivel: dummy Interacciones: efectos no lineales. Determinantes de Salarios.
E N D
TOPICOS DE ECONOMETRIA APLICADAUso de Variables DummyCross Section Daniel Lema
Introducción • Variables categóricas: dificultad de cuantificación • Ej.diferencias salariales hombre/mujer • Diferencias de nivel: dummy • Interacciones: efectos no lineales
Determinantes de Salarios • El modelo de capital humano • Adam Smith: diferenciales explicados por características del trabajo • Educación como inversión: correlación entre habilidad y educación implica mayor dispersión de ingresos • Entrenamiento en el trabajo como inversión (experiencia) • Screening: Arrow - Spence
Medición • Encuestas de hogares: importantes fuentes de error para determinar salarios • Determinación del nivel de educación y medición de calidad • Problemas para la estimación de experiencia
Formas Funcionales • La mayor parte de la literatura • ln yi = f(si, xi, zi) + ui • I = 1, …, n • y=salarios • s=educación • x= experiencia • z=otros factores (género, localización, etc.)
Formas Funcionales • lnYs = ln Y0 + r.s + u • r = tasa de retorno a la educación • Ecuación de Mincer • lnYi = ln Y0 + b1.si+ b2 ki Xi + ui • También • lnYi = ln Y0 + b1.si+ b2 Xi + b3 Xi2 + ui • Reconociendo la imposibilidad de recuperar información de k y la no linearidad de X
Formas Funcionales • También • lnYi = ln Y0 + b1.si+ b2 Xi + b3 Xi2 + b4.siXi+ ui • Reconociendo la posibilidad de interacción o efectos no lineales entre educación y experiencia
Incorporando Dummies • lnYi = ln Y0 + a1.C1i + b1.si+ b2 Xi + b3 Xi2 + b4.siXi+ ui • Donde C es una variable dummy que refleja la pertenencia (o no) a la categoría 1 del individuo i • Incorporando una dummy de Género • lnYi = ln Y0 + a1.C1i + aG. DGi + b1.si+ b2 Xi + b3 Xi2 + b4.siXi+ ui
Incorporando Dummies • Con interacción • lnYi = ln Y0 + a1.C1i + aG.DGi + aG1.DG1i + b1si+ b2 Xi + b3 Xi2 + b4.siXi+ ui • Donde DG1i = C1i * DGi
Recordar el problema de sesgo por variables omitidas • Si el modelo es • Yi = a1+ bXi + gZi + ui Pero tenemos datos solo para X (un ejemplo clásico puede ser habilidad en ecuaciones de salarios como variable omitida) plim b’ = b + g cov (X, Z)/var (X) (donde el ‘ representa el estimador)
Recordar el problema de sesgo por variables omitidas • Yi = a1+ bXi + gZi + ui • El sentido del sesgo será:
Algunos Resultados • Mincer (74) • lnY = 4.87 + 0.255 s – 0.0029 s2 – 0.0043sX + 0.148X - 0.0018X2 • R2 = 0.309 • Y=earnings