Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS

Relaterede dokumenter
Kvantitative metoder 2

Kvantitative metoder 2

Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005

Kvantitative metoder 2

Økonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1

Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation

Økonometri 1. Avancerede Paneldata Metoder II Introduktion til Instrumentvariabler 27. november 2006

Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1

Repetition. Forårets højdepunkter

Scorer FCK "for mange" mål i det sidste kvarter?

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005

Kvantitative metoder 2

Vi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser

Simpel Lineær Regression - repetition

Statistik 9. gang 1 REGRESSIONSANALYSE. Korrelation (kontrol af model) Regression (tilpasning af model)

Kvantitative metoder 2

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006

Hvorfor n-1 i stikprøvevariansen?

Betænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)

Spørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer.

Induktionsbevis og sum af række side 1/7

Kvantitative metoder 2 Forår 2007 Ugeseddel 9

Kvantitative metoder 2

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.

Økonometri 1 Efterår 2006 Ugeseddel 13

Eksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.

Variansanalyse. på normalfordelte observationer af Jens Friis

BEVISER TIL KAPITEL 7

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Statistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter:

Notato: k grupper observeret tl tdspuktere (logartmerede) t1;t2;:::;t k. Tl tdspukt observeres et atal ( ) ph-vρrder, 1 ; 2 ;:::;. V opfatter dem som

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?

Elementær Matematik. Sandsynlighedsregning

Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1

Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006

IKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON

x-klasserne Gammel Hellerup Gymnasium

Fordelingen af gentagne observationer (målinger) kan beskrives ved hjælp af et histogram, der viser antallet af målinger i et givet interval.

Regressions modeller Hvad regresserer vi på og hvorfor? Anders Stockmarr Axelborg statistikgruppe 6/

FORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Pearsons formel for χ 2 test. Den teoretiske forklaring

Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005

Indeks over udviklingen i biltrafikken i Danmark

Bilag 6: Økonometriske

Økonometri 1. Interne evalueringer. Interne evalueringer. Dagens program. Heteroskedaticitet (Specifikation og dataproblemer) 2.

Økonometri 1 Efterår 2006 Ugeseddel 9

Brugen af R 2 i gymnasiet

Lineær regression lidt mere tekniske betragtninger om R^2 og et godt alternativ

FACITLISTE TIL KOMPLEKSE TAL

Kvalitet af indsendte måledata

Rettevejledning til Økonomisk Kandidateksamen 2007I, Økonometri 1

Ugeseddel 8. Gruppearbejde:

Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test

Supplement til sandsynlighedsregning og matematisk statistik

Korrelation (kontrol af model) Regression (tilpasning af model) 1. Grad af fælles variation mellem X og Y. 2. Område og fordeling af sample data

Lineære Normale Modeller

Analyse af bivariate data: korrelation og regression. korrelation. Korrelation og regression: Co-varians:

Kvantitative metoder 2

Kontrol af udledninger ved produktion af ørred til havbrugsfisk

Sandsynlighedsregning 12. forelæsning Bo Friis Nielsen

Lineær regressionsanalyse8

Økonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1

Kvantitative metoder 2

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

Statistik Lektion 15 Mere Lineær Regression. Modelkontrol Prædiktion Multipel Lineære Regression

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2

Kvantitative metoder 2

Statistik II Lektion 4 Generelle Lineære Modeller. Simpel Lineær Regression Multipel Lineær Regression Flersidet Variansanalyse (ANOVA)

! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet

Binomialfordelingen. Erik Vestergaard

1 Løsning og mindste kvadraters løsninger af lineære ligningssystemer

Kombinatorik. 1 Kombinationer. Indhold

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

Finanskalkulationer Side 1/19 Steen Toft Jørgensen. Finanskalkulationer. avanceret rentesregning. matematiske modeller i økonomi

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

TALTEORI Følger og den kinesiske restklassesætning.

bestemmes. kendes ( ) A i Subjektiv information + objektiv information Bayesiansk statistik (gang 10) Bayes sætning

Motivation. En tegning

Statikstik II 4. Lektion. Generelle Lineære Modeller

Morten Frydenberg Biostatistik version dato:

6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag

1.0 FORSIKRINGSFORMER

Ikke-parametriske tests af forskel i central tendens. Tests for forskel i central tendens for data på ordinal- og intervalskala

Binomialfordelingen: april 09 GJ

Regressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol

Kvantitative metoder 2

Pension PO1 PO2 FO1 FO2 GRL 7) Arbejds markeds pension 5) ATPbidrag

Økonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelkontrol

Økonometri 1. Inferens i den lineære regressionsmodel 2. oktober Økonometri 1: F8 1

Transkript:

y = cy ( c 0 ) Pla for IV geemgag Økoometr Istrumetvarabelestmato 6. ovember 004 F9: Hvad er IV estmato: Bvarat model, et strumet: Kap.5. + afst -4 ote. F0: IV estmato det multple tlfælde (eksakt detfceret): Kap. 5. og afst 4 ote. IV estmato det multple tlfælde (overdetfceret): Kap. 5.3 og afst 5 ote. F: Kap. 5.3-4, afst 5-7 ote. SLS (two-stage least squares) estmato. Iferes IV estmato F: Kap. 5.5-6, afst 8 ote Test for exogetet og overdetfkato Eksempel Økoometr : Istrumetvarabelestmato Økoometr : Istrumetvarabelestmato Exogetetsatagelse for OLS Exogetetsatagelse Smpel leær regressosmodel: y = β + β x + u 0 Hdtl: MLR.3: Eux ( )=0 cov( u, x) = 0 (Exogetet) Nu: Edogee forklarede varabler: Stokastske varabler, der er korrelerede med fejlleddet. OLS er kke kosstet. Har allerede set på årsager tl at e varabel ka være edoge: - udeladte varable (kaptel 3 og 5) - forkert fuktoel form (kaptel 9) - målefejl (kaptel 9) Ofte fortolkes regressosmodelle ud fra e kausal sammehæg. Ka v estmere modelle med OLS, opå estmatet ˆ β, og så slutte at e gve ædrg x vl forårsage e ædrg y, alt adet lge? Og at ˆ β er et "godt bud" på de ædrg? Ikke altd. Økoometr : Istrumetvarabelestmato 3 Økoometr : Istrumetvarabelestmato 4

Exogetet: Korrelato er kke kausaltet Exogetetsatagelse ˆ β 0 udtrykker e korrelato, me debærer kke ødvedgvs kausaltet: Tlfældgheder: Derfor bruger v statstk! x forårsager y, y forårsager kke x: ˆ β 0 er udtryk for kausal relato. Ex. y vokse kvdes højde, x hedes mors højde. y forårsager x, x forårsager kke y: Ex. x vokse kvdes højde, y er hedes mors højde. OLS fder postv korrelato. Omvedt kausaltet! y forårsager x, x forårsager y: Ex. prs og mægde på et fuldkomme kokurrece marked. Ka kke lave alt adet lge betragtg. y og x forårsaget af e trede varabel, w: Ex. lægde på e persos højre og vestre be. I ote deferes exogetet på følgede måde: plm xu 0 = = Hvs betgelse holder, sges x at være exoge. Hvs de kke holder, er x e edoge regressor. Økoometr : Istrumetvarabelestmato 5 Økoometr : Istrumetvarabelestmato 6 Ex. Lølgge Istrumetvarabler () Opstller regressosmodel tl forklarg af lø for tlfældgt udvalgte lømodtagere. Ikluderer relevate og potetelt observerbare faktorer vektor af forklarede varabler x : kø, alder, uddaelse, brache, erfarg, Uobserverbar heterogetet: eve, tellges, arbejdsver Øsker at estmere afkastet af uddaelse. Me: Uddaelseslægde er korreleret med eve og eve har rmelgvs e drekte effekt på løe. Tredje faktor forårsager både lø og uddaelse. Ka v bruge OLS estmatet af koeffcete tl uddaelse lølgge tl oget? I hvlke retg forveter v bas? w Smpel regressosmodel: y = β0 + βx + u Ex. Lølgge y = log w, x = educ Uobserverbar heterogetet form af ever : Postv effekt på lø og (postvt) korreleret med uddaelse. OLS er kosstet: cov( x, u ) 0 IV løsg: Fd strumetvarabel som opfylder to betgelser:. cov( z, u ) = 0. cov( z, x ) 0 Udfordrge er at fde gode strumeter: Økoomsk teor spller de afgørede rolle her. z Økoometr : Istrumetvarabelestmato 7 Økoometr : Istrumetvarabelestmato 8

Istrumetvarabler () Lølgge: Overvej ogle mulge strumeter De to betgelser for e gyldg strumetvarabel har forskellg status: Betgelse : cov( z, u ) = 0 Istrumetvarable er ukorreleret med de uobserverbare faktorer Lø-eksemplet: Istrumetet skal være ukorreleret med ever. Afhæger sdste ede altd af e teoretsk baseret atagelse. Betgelse : cov( z, x) 0 Istrumetvarable skal være korreleret med de edogee forklarede varabel. Testbar atagelse på grudlag af data på z og x: Sgfkat regressoskoeffcet regresso af x på z. u Sdste cffer persoummer: US: Tlfældgt dvs. ukorreleret med ever, me kke korreleret med uddaelse. DK: Hvad ka v sge om cpr. ummeret? IQ-score: Proxy-varabel for ever kap. 9. Korreleret med ever : Ikke godt for strumetvarabel! Famlebaggrudsvarabler: Moderes uddaelse: Betgelse OK; betgelse :?? Korreleret med børs ever, måske va geetk og eve for spædbørspleje. Atal søskede: Negatvt korreleret med lægde af uddaelse (betgelse er OK (DK?)); betgelse er OK pr. atagelse. Økoometr : Istrumetvarabelestmato 9 Økoometr : Istrumetvarabelestmato 0 Flere lølgger IV estmato e smpel regressosmodel Agrst og Krueger: Dummy varabel som strumet: Fder sgfkat korrelato mellem uddaelseslægde og det kvartal, ma er født (for amerkaske data). Argumeterer for at fødselskvartal er ukorreleret med eve. Agrst: Naturlgt ekspermet : Ser på sammehæg mellem lø og mltærtjeeste Vetam. Væreplgte var et lotter: Høj korrelato mellem at trække et lavt sessosummer og faktsk at aftjee væreplgt. Tlfældgt udvalg, dvs. sessosummer ukorreleret med eve og adre varabler. Sessosummer som strumet. De smple regressosmodel y = β0 + βx + u Atag: x er edoge og z er et brugbart strumet for x, dvs: cov( z, u ) = 0, cov( z, x ) 0 IV estmatore for β ka udledes som e momet estmator (tavlegeemgag) Økoometr : Istrumetvarabelestmato Økoometr : Istrumetvarabelestmato 3

IV estmato: Idetfkato af parametree IV estmatore Smpel regressosmodel: y = β0 + βx + u Gyldgt strumet: cov( z, u ) = 0, cov( z, x) 0 Gvet cov( z, u ) = 0 detfceres parametere som cov( z, y) β = cov( z, x ) IV estmatorere fdes ved at dsætte de aaloge størrelser fra stkprøve: = ( z z)( y y) ˆ = β ˆ ˆ =, β 0 = y βx ( z z)( x x) β IV estmatore er kosstet: p lm( ˆ β ) = β Hjemmeopgave : Vs det! (se W p. 68 for sprato) IV estmatore er asymptotsk ormalfordelt. Hvs x faktsk er exoge ka de bruges som st eget strumet : OLS som specaltlfælde af IV. IV estmatore: Har gode asymptotske egeskaber, dvs. v ved de vrker store datasæt. Me: IV geerelt kke mddelret IV vl ofte have e relatvt stor varas. Økoometr : Istrumetvarabelestmato 3 Økoometr : Istrumetvarabelestmato 4 IV estmatore: Iferes Svage strumeter Atag: Homoskedastctet: Eu ( z) = De asymptotske varas på ˆβ er gvet ved, ρ xz, < xρx, z Varase går mod ul som / lgesom for OLS. Estmeres kosstet ved ˆ, ˆ = uˆ, ˆ ˆ ˆ u = y β0 βx SST R x x, z = Ka sammelges med varas på OLS estmator, år cov( x, u ) = 0 Eksempler: Ex. 5. og 5.. IV estmatore ka have stor asymptotsk bas hvs Der datasættet er blot e svag korrelato mellem z og u Og der samtdg er svag korrelato mellem x og z Se på: ˆ corr( z, u) u p lm( β) = β+ corr( z, x ) x Sdste led ka være stort hvs corr( z, x) er llle. For OLS estmatore gælder: ˆ u plm( β) = β+ corr( x, u ) x De asymptotske bas behøver kke at være ret stor. Økoometr : Istrumetvarabelestmato 5 Økoometr : Istrumetvarabelestmato 6 4

Næste gag: Trsdag! IV estmato det multple tlfælde (eksakt detfceret): Kap. 5.-5.3 og reste af afst 4 og afst 5 ote. Husk hjemmeopgave! Økoometr : Istrumetvarabelestmato 7 5