Umgang Mit Endogenität In Stata Forex

Ankündigung Ich versuche, mit zwei Arten von Bias in meiner Analyse der Wahrscheinlichkeit in verschiedenen Sektoren der Beschäftigung und Ertragsfunktionen in verschiedenen Sektoren - Stichprobe Auswahl und Endogenität der Bildung Variable. Stichprobenauswahl: Ich verwende ein Beteiligungsmodell mit einem multinomialen Logit (Basiskategorie: arbeitslos nicht beschäftigt) mit den folgenden Sektoren - öffentlich, formal privat, informell privat, selbstständig, Landwirtschaft. Ich verwende dieses Modell, um das Problem der Probenauswahl zu lösen. Ich kann die Wahrscheinlichkeiten der Beschäftigung in jedem Sektor (die inversen Mills-Verhältnisse) nutzen und sie in jede Sektoren-OLS-Lohnfunktion aufnehmen. Endogenität: Allerdings ist die Frage nach dem obigen Verfahren ist, dass Bildung (die vermutlich exogen unter OLS ist) in der Tat endogen sein kann. Es ist wichtig, diese Form der Bias, zusammen mit der Probenauswahl zu adressieren. Ich habe die folgenden Instrumente, um Endogenität - Elternspitzeschulung, Änderung in den obligatorischen Schulgesetzen zu adressieren. Ich bin mit zwei Optionen konfrontiert und ich würde jede Beratung, auf die scheint die passendere Option zu sein schätzen. Leider habe ich auf keine ökonomische Literatur gestoßen, die trotz der umfangreichen Literatur zu diesen beiden Fragen versucht, mit beiden Formen der Bias zurechtzukommen (zB Rückkehr zur Bildungsliteratur mit Instrumental-Variablen, Berufswahl mit Heckman). 1. Die erste Methode wurde von Wooldridge (2010) Methode in Kapitel 19 erhalten. Die erste Stufe ist ein Beteiligungsmodell als multinomiale Logit (mit Sektoren: öffentliche, formale private, informelle private, selbständige Beschäftigung, Landwirtschaft Basiskategorie: arbeitslos nicht beschäftigt ). Ich verwende dann die prognostizierten Wahrscheinlichkeiten aus diesem Modell für jedes Ergebnis, erhalte die inversen Mills-Verhältnisse und füge sie als zusätzliche Regressionen in die jeweiligen Lohnfunktionen ein, die unter Verwendung von IV (2SLS) geschätzt werden, wo Bildung als endogener Regressor behandelt wird. (A) mlogit Beschäftigung Alter age2 Age3 weiblich Stadtpolitik verheiratet mothereduc fathereduc spouseeduc motherpublicsector motherprivatesector fatherpublicsector fatherprivatesector spousepublicsector spouseprivatesector proportionofkidsbelow6 proportionofkidsbetween6and18 proportionofeldersover65 wo Beschäftigung1 (Öffentlicher Sektor), 2 (formal privat), 3 (informell), 4 (Selbst-), ​​5 (Landwirtschaft ), 0 (unemployednot eingesetzt) ​​Standardkategorien kategorien~~POS=HEADCOMP sind: männlich, nicht verheiratet, auf dem Land, parentsspouse nicht eingesetzt (b) vorhergesagten Wahrscheinlichkeiten erhalten (c) ivregress 2SLS loghourlywage (yearsineducation Politik mothereduc fathereduc spouseeduc motherpublicsector motherprivatesector fatherpublicsector fatherprivatesector spousepublicsector spouseprivatesector proportionofkidsbelow6 proportionofkidsbetween6and18 proportionofeldersover65) Alter Age2 age3 verheiratete weibliche städtische lambda1 wenn Beschäftigung1. Robust zuerst (getan in ähnlicher Weise für jeden Sektor) Wooldridge nutzt diese Technik für die Erwerbsbeteiligung von Frauen und verwendet daher eher ein Probent als ein multinomiales Logit (d. H. Die erste Stufe ist: 0 nicht beschäftigt, 1 erwerbstätig). Mein Anliegen ist, ob dieser Ansatz funktioniert noch für eine mulltinomial logit. Logically, scheint es nicht sinnvoll mit einem multinomialen Logit, weil Bildung vor der Auswahl des Sektors der Beschäftigung erhalten wird. So scheint es nicht korrekt, eine reduzierte Form für Bildung in jedem Sektor zu erhalten. 2. Meine zweite Möglichkeit ist, die vorhergesagten Werte der Ausbildung mit einer reduzierten Form zu verwenden: (a) Regreß yearsineducation Politik mothereduc fathereduc spouseeduc motherpublicsector motherprivatesector fatherpublicsector fatherprivatesector spousepublicsector spouseprivatesector proportionofkidsbelow6 proportionofkidsbetween6and18 proportionofeldersover65 Alter age2 Age3 verheiratet weiblich urban (b) und führen Sie dann die MNL und OLS Lohnabschätzungen mit vorhergesagter Bildung. Woolridge stellt jedoch fest, dass diese Methode starke Annahmen über den Fehlerterm der reduzierten Form macht. Ich wäre Ihnen sehr dankbar, in dieser Angelegenheit Ratschläge zu erhalten. Referenz: Wooldridge JM (2010) Ökonometrische Analyse von Querschnitts - und Paneldaten, 2. Aufl. Die MIT Press, CambridgeAnnouncement 12 März 2016, 01:16 Ich studiere derzeit die Public Lohn Premium in Sri Lanka. Ich habe mich mit der Literatur über die Schaltregression und mit einem endogenen Dummy-Variablenmodell (1public, 0private) für Lohnarbeiter beschäftigt. Ich stieß dann auf ein Papier von Wooldridge (2008) quotInstrumental Variables Schätzung des durchschnittlichen Behandlungseffektes im korrelierten zufälligen Koeffizienten Modelquot und war scharf, es in meiner Analyse anzuwenden. Aus diesem Papier habe ich eine vage Vorstellung in meinem Kopf, aber ich bin nicht sicher, ob ich auf dem richtigen Weg bin und ob es ein machbarer Ansatz ist. Ich hoffe, ich könnte einige Ratschläge für die Modellierung erhalten. Hier ist mein Ansatz, der Im sicher ist sehr fehlerhaft gegenwärtig, so dass ich mich dafür entschuldige: 1. Schätzen Sie probit (1public, 0private) oder zwei probit Regressionen (für öffentliche und private Mitarbeiter separat). Ich bin nicht sicher, was besser geeignet ist. PROBIT Öffentlichkeit Alter age2 yearsineducation Geschlecht der ethnischen Zugehörigkeit 2. Besorgen die vorhergesagten Wahrscheinlichkeiten p (sagen wir, phat) 3. Die zweite Stufe IV verwenden Vorhersage der Lohnfunktion zu schätzen (wo die Dummy-Variable ist endogen) ivregress 2SLS logwage Alter age2 yearsineducation Geschlecht Ethnizität ( Publicfatherinpublicsector spouseinpublicsector phat), robust zuerst Wenn ich zwei Protonenregressionen anstelle von eins schätze, dann würde ich mit zwei Korrekturtermen für meinen zweiten Schritt IV (wenn ich es richtig verstanden habe) beenden. Klingt das wie ein vernünftiger Ansatz, oder habe ich völlig missverstanden die Konzepte Idealerweise möchte ich ein Schalt-Regressionsmodell verwenden, während die Kontrolle für die Endogenität der Sektor Wahl. Vielen Dank für die Hilfe Referenz: Woolridge, J. (2008), quotInstrumental Variablen Schätzung der durchschnittlichen Behandlungseffekt im Correlated Zufallskoeffizient Modelquot, Fortschritte in der Ökonometrie, 21, S. 93-116 würde ich folgendes vorschlagen:. Ivregress 2SLS logwage Alter 2 JahreAnderung Geschlecht ethnische Herkunft (publicfatherinpublicsector spouseinpublicsector Alter age2 yearsineducation Geschlecht ethnicity), robust zuerst Soweit ich weiß, brauchen Sie nicht die 2 Stufen. Außerdem sollten Sie alle Variablen in der Auswahlbefehl Weglassen betrachten, die auch Teil der Haupt Regression, dh ivregress 2SLS logwage Alter age2 yearsineducation Geschlecht der ethnischen Zugehörigkeit (publicfatherinpublicsector spouseinpublicsector), robust ersten 12. März 2016, 10.46 Haben Sie sah Statas (ATE), der durchschnittliche Behandlungseffekt auf die behandelten (ATET) und die Potenzial-Effekte-Schätzungen für die endogene Behandlung-Effekte-Schätzung Heres ein Auszug aus dem Intro: (POMs) aus Beobachtungsdaten, wenn die Behandlungszuordnung mit den potentiellen Ergebnissen korreliert ist. Es ermöglicht kontinuierliche, binäre, count, fractional und nonnegative Ergebnisse und erfordert eine binäre Behandlung. Um die Endogenität der Behandlungszuweisung zu kontrollieren, enthält der Schätzer Residuen aus dem Behandlungsmodell in den Modellen für die potentiellen Ergebnisse, bekannt als ein Kontroll-Funktionsansatz. Ich hoffe, das hilft. Richard Sorry für Bumping, aber dies scheint wie Post hier anstelle der Eröffnung eines neuen Thread ist vorzuziehen. Ich lese in Eteffekte Modelle in stata, aber was ich quotfailquot zu verstehen ist der Unterschied zwischen solchen Modellen und Instrumental-Variablen Modelle. Wenn jemand kann erklären, oder bieten eine Ressource Detaillierung der Gemeinsamkeiten und Unterschiede, das wäre großartig.