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 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.si Xi+ 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.si Xi+ 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.si Xi+ ui
Incorporando Dummies Con interacción lnYi = ln Y0 + a1.C1i + aG.DGi + aG1.DG1i + b1 si + b2 Xi + b3 Xi2 + b4.si Xi+ ui Donde DG1i = C1i * DGi
Recordar el problema de sesgo por variables omitidas Si el modelo es Yi = a1 + b Xi + g Zi + 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 + b Xi + g Zi + ui El sentido del sesgo será: Cov(X,Z) >0 Cov (X, Z)<0 g>0 + - g<0
Algunos Resultados Mincer (74) lnY = 4.87 + 0.255 s – 0.0029 s2 – 0.0043sX + 0.148X - 0.0018X2 R2 = 0.309 Y=earnings