8 votos

Propiedades de la normal estándar bivariante y probabilidad condicional implícita en el modelo de Roy

Perdón por el título tan largo, pero mi problema es bastante específico y difícil de explicar en un título.

Actualmente estoy aprendiendo sobre el Modelo de Roy (análisis del efecto del tratamiento).

Hay un paso de derivación en mis diapositivas, que no entiendo.

Calculamos el resultado esperado con tratamiento en el grupo de tratamiento (dummy D es tratamiento o no tratamiento). Se escribe como

\begin{align} E[Y_1|D=1] \end{align}

desde $Y_1=\mu_1 + U_1$ se puede reescribir como \begin{align} E[Y_1|D=1] &= E[\mu_1+U_1|D=1]\\ &=\mu_1+ E[U_1|D=1] \end{align} antes también dijimos, que $D=1$ si $Y_1>Y_0$ por lo que se deduce:

$Y_1-Y_0>0$

$\mu_1+U_1-(\mu_0-U_0)>0$

$(\mu_1+U_1)/\sigma-(\mu_0-U_0)/ \sigma >0$

$Z-\epsilon>0$

así que $D=1$ si $\epsilon<Z$

Por lo tanto, se sostiene que \begin{align} E[Y_1|D=1] &=\mu_1 + E[U_1|\epsilon<Z] \end{align}

Además, se sabe que \begin{align} \begin{bmatrix} U_1 \\ U_0 \\ \epsilon \end{bmatrix} =N\left( \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix} , \begin{bmatrix} \sigma_1^2 & \sigma_{10} & \sigma_{1\epsilon} \\ \sigma_{10} & \sigma_{0}^2 & \sigma_{0\epsilon} \\ \sigma_{1\epsilon} & \sigma_{0\epsilon} & \sigma_{\epsilon}^2 \end{bmatrix} \(derecha) \end{align}

por lo tanto se deduce: $P(D=1)=P(\epsilon<Z)=\Phi(Z)$

Así que ahora viene mi pregunta, las diapositivas dicen, que \begin{align} \mu_1 - E[U_1|\epsilon<Z] =\mu_1 - \sigma_{1\epsilon} \frac{\phi(Z)}{\Phi(Z)} \end{align} ¿Y no entiendo por qué?

Sé, que si dos variables aleatorias siguen una distribución normal bivariada estándar: $E[u_1|u_2)=\rho u_2$

así que $E[u_1|u_2>c)=E[\rho u_2|u_2>c]=\rho E[u_2|u_2>c)=\rho\frac{\phi(c)}{1-\Phi(c)}$

Por lo tanto, habría esperado un "más" y no un signo menos. ¿Por qué utilizamos también la covarianza $\sigma_{1\epsilon}$ y no la correlación $\rho$ ? Así que habría esperado algo como

\begin{align} \mu_1 - E[U_1|\epsilon<Z] =\mu_1 + \rho \frac{\phi(Z)}{\Phi(Z)} \end{align}

Soy consciente del hecho, de que si hago el truncamiento desde arriba el $1-\Phi(c)$ se convierte en $\Phi(c)$ .

8voto

Oliver M Grech Puntos 161

Primero, en el modelo Roy, $\sigma_{\varepsilon}^{2}$ se normaliza para ser $1$ por motivos de identificación (cf. Cameron y Trivedi: Microeconometrics: Métodos y aplicaciones). En adelante mantendré esta normalización. Para responder a su pregunta, veamos $$ \mathrm{{E}}\left(U_{1}\mid\varepsilon<Z\right)=-\sigma_{1\varepsilon}\frac{\phi\left(Z\right)}{\Phi\left(Z\right)} $$ primero. Aquí $\phi$ y $\Phi$ son la fdp y la fdc de una norma respectivamente. Obsérvese que $$ \mathrm{E}\left(U_{1}\mid\varepsilon<Z\right)=\mathrm{E}\left(\mathrm{E}\left(U_{1}\mid\varepsilon\right)\mid\varepsilon<Z\right) $$ por la ley de la expectativa iterada. El vector $\left(U_{1},\varepsilon\right)$ es una normal bivariante con media $\left(0,0\right)'$ y covarianza matriz $$ \left[\begin{array}{cc} \sigma_{1}^{2} & \sigma_{1\epsilon}\\ & 1 \end{array}\right]. $$ La media condicional $\mathrm{{E}}\left(U_{1}\mid\varepsilon\right)=\sigma_{1\varepsilon}\varepsilon$ (nótese que aquí se plantea la covarianza y no la correlación porque $\sigma_{\varepsilon}^{2}=1$ ). Por lo tanto, $$ \mathrm{E}\left(U_{1}\mid\varepsilon<Z\right)=\sigma_{1\varepsilon}\mathrm{E}\left(\varepsilon\mid\varepsilon<Z\right). $$ La función de densidad de $\varepsilon\mid\varepsilon<Z$ es $$ f\left(\varepsilon\mid\varepsilon<Z\right)=\begin{cases} \frac{\phi\left(\varepsilon\right)}{\Phi\left(Z\right)}, & -\infty<\varepsilon<Z;\\ 0, & \varepsilon\geq Z. \end{cases} $$ La media condicional $\mathrm{E}\left(\varepsilon\mid\varepsilon<Z\right)$ es \begin{eqnarray*} \mathrm{E}\left(\varepsilon\mid\varepsilon<Z\right) & = & \int_{-\infty}^{Z}t\frac{\phi\left(t\right)}{\Phi\left(Z\right)}\,\mathrm{{d}}t\\ & = & \frac{1}{\Phi\left(Z\right)}\int_{-\infty}^{Z}t\frac{1}{\sqrt{2\pi}}\exp\left(-\frac{1}{2}t^{2}\right)\,\mathrm{{d}}t\\ & = & -\frac{1}{\Phi\left(Z\right)}\int_{-\infty}^{Z}\frac{\partial}{\partial t}\left\{ \frac{1}{\sqrt{2\pi}}\exp\left(-\frac{1}{2}t^{2}\right)\right\} \,\mathrm{{d}}t\\ & = & -\frac{1}{\Phi\left(Z\right)}\left(\phi\left(Z\right)-\phi\left(-\infty\right)\right). \end{eqnarray*} Observa cómo sale el signo negativo. Así, $\mathrm{E}\left(\varepsilon\mid\varepsilon<Z\right)=-\phi\left(Z\right)/\Phi\left(Z\right)$ , y la conclusión es la siguiente.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X