RESUMENES LIBROS

ECONOMETRÍA II - EC611K 2019 - I

UNIVERSIDAD NACIONAL DE INGENIERÍA - UNI
Escuela Profesional de Ingenierı́a Económica - EPIEC
Adrian Velasquez Minaya
April 25, 2019

Abstract
El presente White Paper pretende resumenes partes de los libros de ”Introduccion a la Econometria”
de Wooldridge y de ”Microeconometrics using Stata” de Cameron Trivedi.

1 MULTINOMIAL MODEL - MICROECONOMETRICS USING

STATA
• The simplest multinomial model is the multinomial logit model, proposed by Luce (1959)

• El modelo multinomial mas simple es el modelo Logit, propuesto por R. Duncan Luce

2 Modelo logit
El condicional modelo Logit sera:
expαj .β
Pij = Pm αj .β (1)
j=0 exp

Se pueden combinar dos modelos, quedando:

expαj .β+wi .yi
Pij = Pm αj .β+wi .yi (2)
j=0 exp

Generalizando:
Vij
Pij = Pm
Vij (3)
j=0

Este sera el MODELO UNIVERSAL LOGIT

3 Multinomial Provit
The multinomial probit (MNP) model is an m-choice multinomial model, with utility of the jth choice
given by

El modelo multinomial probit es un modelo multivarial dado por:

Uj = Vj + uj (4)

1
4 CAPITULO 15 - INTRODUCCION A LA ECONOMETRIA
4.1 Justificación: Variables omitidas en un Modelo de Regresión Simple
Cuando existe la posibilidad de sesgo por variable omitida (o heterogeneidad inobservable), se han analizado
hasta ahora tres opciones:
1) se puede ignorar el problema y sufrir las consecuencias de estimadores sesgados e inconsistentes

2) se puede intentar encontrar y utilizar una variable proxy adecuada para la variable inobservable

3) se puede suponer que la variable omitida no cambia con el tiempo y utilizar los métodos de efectos
fijos o de primeras diferencias.

Otro método es el MÉTODO DE VARIABLES INSTRUMENTALES DONDE:

log(wage) = β0 + β1 .Educ + β2 .abil + e (5)

Usaremos solo el modelo lineal

log(wage) = β0 + β1 .Educ + e (6)

Reemplazando Educ = x
log(wage) = β0 + β1 .x + e (7)

y suponiendo que x y u estan relacionadas, no podremos usar el metodo MCO, por lo mismo, crearemos
una variable z que cumpla:

cov(x, u) <> 0 (8)

cov(z, u) = 0 (9)

El método de variables instrumentales funciona estén o no x y u correlacionadas, pero por las razones
que más tarde se analizarán, MCO se deben utilizar si x no está correlacionada con u.

Tendremos entonces:

Cov(z, y) =1 .Cov(z, x) + Cov(z, u). (10)

Donde:
Beta1 = Cov(z, y)/Cov(z, x) (11)

Estimador de variables instrumentales (VI) de sera:

Pn (zi −z)(yi −y)
EstimadorBeta1 = 1 (zi −z)(xi −x) (12)

2
4.2 Estimacion de Beta del modelo de regresion multiple
y1 = β0 + β1 .y2 + β2 .z1 + e (13)

y tendremos que solo una estara correlacionada con el error:

cov(y2 , u) <> 0 (14)

cov(z, u) = 0 (15)

¿Se podrá emplear z1 como instrumento para y2, si se supone que y2 y z1 están correlacionadas? La
respuesta es no. Dado que z1 por sı́ misma aparece como variable explicativa, no sirve como variable
instrumental para y2.

Entonces tendremos:
Pn
1 (yi1 − Estβ0 − Estβ1 .y12 − Estβ2 .zi1 ) = 0 (16)

4.3 MCO en dos Etapas

y2 = β0 + β1 .z1 + β2 .z2 + β3 .z3 + e (17)

Donde:
cov(zi , y2 ) = 0 (18)

Entonces tendremos:
Pn
1 (Estyi2 )(yi1 − Estβ0 − Estβ1 .y12 − Estβ2 .zi1 ) = 0 (19)