1 / 25

Aula 14

Aula 14. Introdução ao Stata 05 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.

rue
Download Presentation

Aula 14

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. Aula 14 Introdução ao Stata 05 de julho de 2013

  2. 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.

  3. Modelos com dados 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:

  4. 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.

  5. Exemplo

  6. Exemplo • Probabilidade de y ser igual a m:

  7. Exemplo: estado de saúde • Y=1 ruim • Y=2 bom • Y=3 excelente

  8. Comando ologit Significativos, categorias não podem ser colapsadas.

  9. Efeito marginal • Qual efeito de mudar a variável xr sobre a probabilidade de escolher a alternativa j:

  10. 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.

  11. Exemplos Soluções de canto • Quantidade de dinheirodoadoparacaridade: muitaspessoasnãofazemestetipo de doação. Umaparcelaexpressiva dos dados seráigual a zero. • Horastrabalhadaspelasmulheres: muitasmulheresnãotrabalham. Umafraçãosignificativa tem horas de trabalhoigual a zero. ModeloTobité usadoparamodelarestassituações

  12. Exemplo: oferta de trabalho feminina • Suponhaquequeremosestimar o efeitodaeducação x nashorastrabalhadas de mulherescasadas y. • O modelotobit é escrito a partir de umavariávellatente y*, que é parcialmenteobservadapelopesquisador: y*=β0+β1x+u e u~N(0,σ2)

  13. Exemplo: oferta de trabalho feminina • Se y* é positiva, y* é igualao total de horastrabalhadas : y. • Se y* é negativo, as horastrabalhadas, y, se igualam a zero. • Porhipótese, u é normalmentedistribuído.

  14. Exemplo: oferta de trabalho feminina O modelopode ser escritocomo: yi*=β0+β1xi+ui …………………..(1) talque yi=yi* if yi*>0 yi=0 if yi*≤0 e ui~N(0,σ2) Horastrabalhadas O subscritoidenota a i-ésimaobservação. A equação (1) satisfaz as hipóteses do modelo linear clássico.

  15. Ilustraçãográfica y*, y Quando y* é negativo, horastrabalhadassãoiguais a zero. Educ

  16. Exemplo: oferta de trabalho feminina • A variável, y*, pode ser negativa, mas se negativa, horastrabalhadassãoiguais a zero. • O modeloTobitconsidera o fato de quemuitasmulheresnãotrabalham, logo, horastrabalhadassãoiguais a zero paramuitas.

  17. Modelo Tobit • Censura à esquerda • Censura à direita

  18. 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.

  19. Efeitosparciais(efeitosmarginais) • Os parâmetrosestimadosβjmedem o efeito de xjem y*. • Contudo, nasolução de canto, estamosinteressados no efeito de xjsobre y. • Devemosestimar o efeitosobre o valor esperado de y.

  20. Efeitosparciais(efeitosmarginais) • 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) zero

  21. Efeito marginal • Logo, existemduasformas de computar o efeitoparcial de x sobre a esperançacondicional de y: O efeito de x sobre as horas de trabalhodaquelesqueestãotrabalhando. O efeito total de x nashorastrabalhadas.

  22. Efeito marginal • Ambos efeitosparciaisdependem de x. Logo, elesdiferempara as observaçõesdiferentes dos dados. • Contudo, precisamos saber o efeito total aoinvés do efeitoespecíficoparaumaobservação do dado. • Damesma forma quenosmodelosProbit e logit models, existemduasformas de computar o efeitoparcial total:

  23. Efeito marginal total • Efeitoparcialnamédia: coloca a média das variáveisexplicativas (PEA). • Média do efeitoparcial (APE): computa o efeitoparcialparacadaindivíduo no banco de dados e depoistira a médiadestesefeitosindividuais.

More Related