-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathA1.html
688 lines (306 loc) · 24.4 KB
/
A1.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
<!DOCTYPE HTML>
<html>
<head>
<title>Exogeneidad Estricta</title>
<meta charset="utf-8" />
<meta name="viewport" content="width=device-width, initial-scale=1, user-scalable=no" />
<link rel="stylesheet" href="assets/css/main.css" />
<noscript><link rel="stylesheet" href="assets/css/noscript.css" /></noscript>
</head>
<body class="is-preload">
<!-- Header -->
<section id="header">
<div class="inner">
<span class="icon solid major fa-book-reader"></span>
<h1>Supuesto 1:<br /><strong>Exogeneidad Estricta</strong>
</h1>
<p>Pontificia Universidad Javeriana</p>
</div>
</section>
<script src="https://polyfill.io/v3/polyfill.min.js?features=es6"></script>
<script>
MathJax = {
tex: {inlineMath: [['$', '$'], ['</br>(', '</br>)']]}
};
</script>
<script id="MathJax-script" async src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-chtml.js"></script>
<!-- One -->
<section id="one" class="main style1">
<div class="container">
<div class="row gtr-150">
<div class="col-6 col-12-medium">
<header class="major">
<h2>Exogeneidad Estricta</h2>
</header>
</div>
<p>El supuesto de exogeneidad estricta hace referencia a que los errores no pueden estar correlacionados con ninguno de nuestros regresores, es decir:
$$ E[\epsilon|X] = 0 $$
En esta parte veremos cuando se viola este supuesto, y su posible solución.
Tenemos 3 casos en los que hay problemas de endogeneidad. Estos casos son: 1. Omisión de variables relevantes, 2. Errores de medición, y 3. Simultaneidad.
<h4><strong>Omisión de variables relevantes</strong></h4>
</p>
<p>
Supongamos que el modelo correcto es el siguiente:
$$ y = X_{r}\beta_{r} + X_{s}\beta_{s} + \mu $$
Pero por alguna razón nosotros estimamos:
$$ y = X_{r}\beta_{r} + \epsilon $$
Intuitivamente sabemos que esto nos va a generar un sesgo en nuestro estimador (sesgo por variable omitida). Veamos porque:
$$ \hat{\beta_{r}} = (X_{r}'X_{r})^{-1}X_{r}'y $$
Al remplazar por $y$ del modelo correcto y algo de matemáticas
$$ \hat{\beta_{r}} = (X_{r}'X_{r})^{-1}X_{r}'(X_{r}\beta_{r} + X_{s}\beta_{s} + \mu) $$
$$ \hat{\beta_{r}} = (X_{r}'X_{r})^{-1}X_{r}'X_{r}\beta_{r} + (X_{r}'X_{r})^{-1}X_{r}'X_{s}\beta_{s} + (X_{r}'X_{r})^{-1}X_{r}'\mu $$
$$ \hat{\beta_{r}} = \beta_{r} + (X_{r}'X_{r})^{-1}X_{r}'X_{s}\beta_{s} + (X_{r}'X_{r})^{-1}X_{r}'\mu $$
Sacando valor esperado
$$ E[\hat{\beta_{r}}] = \beta_{r} + E[(X_{r}'X_{r})^{-1}X_{r}'X_{s}\beta_{s}] + E\cancelto{0}{[(X_{r}'X_{r})^{-1}X_{r}'\mu]} $$
$$ E[\hat{\beta_{r}}] = \beta_{r} + \underbrace{E[(X_{r}'X_{r})^{-1}X_{r}'X_{s}\beta_{s}]}_{Sesgo} $$
Como vemos, al omitir una variable importante, se nos esta generando un sesgo. La pregunta ahora es ¿Cual es la dirección de este sesgo?. Esto depende de dos cosas, primero del signo de $\beta_{s}$ y segundo del signo de la $cov(X_{r}, X_{s})$.
</p>
<div>
<span class="image fit"><img src="images/sesgovo.png" alt="" style="width: 45vw; min-width: 330px;" /></span>
</div>
<p>
Para aterrizar un poco más este concepto, imaginemos que estamos tratando de estimar el salario de las personas. Omitimos habilidad ya que no contamos con una forma de medirla, y estimamos el parámetro para años de educación $\beta_{educ}$. Para saber cual sera el sesgo debemos pensar en dos cosas. Primero, es posible que $\beta_{habilidad} > 0$, es decir, que la habilidad afecte positivamente al salario, y segundo también tiene sentido pensar que existe una relación positiva entre años de educación y habilidad (se podría argumentar que entre mas hábil soy, soy mas propenso a estudiar ya que se me facilita mas), por lo que $cov(Educacion,Habilidad) > 0$. Si vemos en la tabla, veremos entonces que nuestro estimador para $\beta_{educ}$ tendra un sesgo positivo. </br>
Otra pregunta interesante es si este sesgo se soluciona cuando n tiende a infinito. Para ver esto, tomaremos nuestro estimador sesgado $\beta_{r}$ (antes de sacarle valor esperado) y le aplicaremos $plim$.
$$ plim[\hat{\beta_{r}}] = plim[\beta_{r} + (X_{r}'X_{r})^{-1}X_{r}'X_{s}\beta_{s} + (X_{r}'X_{r})^{-1}X_{r}'\mu (\frac{n}{n})] $$
$$ plim[\hat{\beta_{r}}] = plim[\hat{\beta_{r}} (\frac{n}{n})] + plim[(\frac{X_{r}'X_{r}}{n})^{-1} (\frac{X_{r}'X_{s}}{n}) \beta_{s}] + plim[(\frac{X_{r}'X_{r}}{n})^{-1} (\frac{X_{r}'\mu}{n})] $$
$$ plim[\hat{\beta_{r}}] = \beta_{r} + \underbrace{E[X'X]^{-1}E[X_{r}'x_{s}]\beta_{s}}_{Inconsistente} $$
Asi que como acabamos de ver cuando omitimos una variable importante en nuestra regresion, vamos a tener estimadores sesgados e inconsistentes. Un dato a tener en cuenta es que estos estimadores sesgados tendrán una varianza menor a los estimadores correctos simplemente por el hecho de tener menos variables.
$$ Var[\widetilde{\beta_{r}}] = {\sigma_{\epsilon}^{2}} (X_{r}'X_{r})^{-1} $$
$$ Var[\hat{\beta_{r}}] = {\sigma_{\epsilon}^{2}} \frac{(X_{r}'X_{r})^{-1}}{1 - {R^{2}_{Xr,Xs}}} $$
$$ Var[\widetilde{\beta_{r}}] < Var[\hat{\beta_{r}}] $$
</p>
<div class="col-6 col-12-medium imp-medium">
</div>
</div>
</div>
<div class="container">
<p></p>
<div class="row gtr-150">
<div class="col-6 col-12-medium">
<pre><code>
<strong style="color:blue">clear</strong>
<strong style="color:blue">set</strong> obs 10000
<strong style="color:blue">gen</strong> x1=rnormal(1,10)
<strong style="color:blue">gen</strong> x2= 0.1*x1 + runiform(1,3)
<strong style="color:blue">gen</strong> epsilon =rnormal()
<strong style="color:blue">gen</strong> y= 0.3*x1 + 1.2*x2 + epsilon
</code></pre>
</div>
<div class="col-6 col-12-medium imp-medium">
<span class="image fit"><img src="images/f.jpg" alt="" /></span>
</div>
</div>
</div>
<div class="container">
<div class="row gtr-150">
<div class="col-6 col-12-medium">
<pre><code>
<strong style="color:blue">reg</strong> y x1 x2
outreg2 using reg1.doc, replace ctitle(Reg 1)
<strong style="color:blue">reg</strong> y x1
outreg2 using reg1.doc, append ctitle(Reg 2)
</code></pre>
</div>
<div class="col-6 col-12-medium imp-medium">
<span class="image fit"><img src="images/A11.png" alt="" style="width: 25vw; min-width: 230px;"/></span>
</div>
</div>
</div>
<div class="container">
<h4><strong>Error de medición</strong></h4>
Por otra parte, los errores de medición también nos causan problemas en nuestros estimadores. Como vamos a ver, hay dos tipos de errores de medición; en $y$ y en $x$, es decir, en nuestra variable dependiente y en nuestras variables independientes. Como veremos mas adelante, los errores de medición en $y$ no nos generan problemas de sesgo ni de consistencia, pero si en eficiencia. Por otra parte, errores de medición en $x$ si nos van a generar un sesgo, llamado el sesgo de atenuación.<br>
<h4>
<u>Errores de medición en y:</u>
</h4>
Supongamos que al medir nuestra variable dependiente, obtenemos el dato verdadero de $y$ mas un sesgo $w$. Adicional a esto, sabemos que este error $w \sim iid(0,{\sigma_{w}}^{2})$.
$$y^{*} = y + w$$
Adicional a lo anterior, sabemos también este error no esta correlacionado con ni con el error ni con ninguna otra variable explicativa, es decir:
$$cov(w,\epsilon) = 0$$
$$cov(w,x) = 0$$
Dado esta información miremos primero que pasa con nuestros estimadores.
$$\hat{\beta} = (X'X)^{-1}X'y$$
Nosotros creemos que estamos realizando la regresión contra $y$, pero en realidad nosotros tenemos $y^{*}$, por lo que estamos haciendo la regresion en $y = y^{*} - w$ (Acá solo despeje $y$ de la ecuación de arriba). Remplazando esto tenemos que:
$$\hat{\beta} = (X'X)^{-1}X'(y^{*} - w)$$
$\hat{\beta} = (X'X)^{-1}X'(X\beta + \epsilon - w)$
$$\hat{\beta} = \beta + (X'X)^{-1}X' \epsilon - (X'X)^{-1}X'w $$
Sacando valor esperado
$$E[\hat{\beta}] = \beta + \cancelto{0}{E[(X'X)^{-1}X' \epsilon}] - \cancelto{0}{E[(X'X)^{-1}X'w]}$$
Podemos cancelar el tercer termino, $E[(X'X)^{-1}X'w]$, ya que al iniciar dijimos que $cov(X,w) = 0$. En otras palabras, a pesar del problema de error en la medicion de $y$, podemos seguir obteniendo estimadores insesgados pero solo cuando el error $w$ no esta relacionado con ninguno de los regresores.</br>
Ahora miremos que pasa cuando sacamos el $plim$
$$\hat{\beta} = (X'X)^{-1}X'(y^{*} - w)$$
Multiplicando por $\frac{n}{n}$
$$\hat{\beta} = {(\frac{X'X}{n})}^{-1} (\frac{X'(X\beta + \epsilon - w)}{n})$$
$$\hat{\beta} = {(\frac{X'X}{n})}^{-1} {(\frac{X'X}{n})}\beta + {(\frac{X'X}{n})}^{-1} (\frac{X' \epsilon}{n}) - {(\frac{X'X}{n})}^{-1} (\frac{X' w}{n})$$
$$plim[\hat{\beta}] = \beta + plim{(\frac{X'X}{n})}^{-1} plim(\frac{X' \epsilon}{n}) - plim{(\frac{X'X}{n})}^{-1} plim(\frac{X' w}{n})$$
$$plim[\hat{\beta}] = \beta + E[X'X]^{-1} E[X' \epsilon] - E[X'X]^{-1} E[X'w]$$
Pero si se cumple que $E[X' \epsilon] = 0$ y $E[X'w] = 0$, entonces:
$$plim[\hat{\beta}] = \beta + E[X'X]^{-1} \cancelto{0}{E[X' \epsilon]} - E[X'X]^{-1} \cancelto{0}{E[X'w]}$$
$$plim[\hat{\beta}] = \beta$$
Nuestros estimadores son consistentes.</br>
Acabamos de ver entonces que a pesar de tener errores en la medición de $y$, nuestro estimador $\hat{\beta}$ es insesgado y consistente. Ahora solo nos falta ver que pasa con la varianza:</br>
$$Var[\hat{\beta}] = Var[\beta + (X'X)^{-1}X' \epsilon - (X'X)^{-1}X'w ]$$
$$Var[\hat{\beta}] = 0 + (X'X)^{-1}X'Var[\epsilon]X(X'X)^{-1} + (X'X)^{-1}X'Var[w]X(X'X)^{-1} - \cancelto{0}{2cov(\epsilon,w)}$$
Suponiendo homocedasticidad
$$Var[\hat{\beta}] = 0 + (X'X)^{-1}X'{\sigma_{\epsilon}}^{2}X(X'X)^{-1} + (X'X)^{-1}X'{\sigma_{w}}^{2}X(X'X)^{-1}$$
$$Var[\hat{\beta}] = {\sigma_{\epsilon}}^{2}\underbrace{(X'X)^{-1}X'X}_{I}(X'X)^{-1} + {\sigma_{w}}^{2}\underbrace{(X'X)^{-1}X'X}_{I}(X'X)^{-1}$$
$$Var[\hat{\beta}] = ({\sigma_{\epsilon}}^{2} + {\sigma_{w}}^{2})(X'X)^{-1}$$
Como podemos ver, nuestra varianza de MCO pierde eficiencia al tener problemas de medición sobre $y$.</br>
Para concluir esta primera parte de problemas de medición, vemos que cuando el problema esta en la variable dependiente, tendremos estimadores insesgados, consistentes pero perderemos eficiencia, es decir, tendremos una varianza alta.
<h4>
<u>Errores de medición en x:</u>
</h4>
Ahora veamos el caso en el que nuestros errores de medicion estan en x.</br>
Supongamos que nosotros observamos
$$x^{*} = x + w$$
Por lo que ahora tendremos
$$y = (X + w)\beta + \epsilon$$
$$y = X\beta + \underbrace{\epsilon + w\beta}_{Nuevo - Error}$$
Entonces con los datos que tenemos, calculamos nuestro estimador:
$$\hat{\beta} = (X'X)^{-1}X'y$$
$$\hat{\beta} = (X'X)^{-1}X'(X\beta + {\epsilon + w\beta})$$
$$\hat{\beta} = \underbrace{(X'X)^{-1}X'X}_{I}\beta + (X'X)^{-1}X'\epsilon + (X'X)^{-1}X'w\beta$$
$$\hat{\beta} = \beta + (X'X)^{-1}X'\epsilon + (X'X)^{-1}X'w\beta$$
Sacando valor esperado:
$$\hat{\beta} = \beta + \cancelto{0}{E[(X'X)^{-1}X'\epsilon]} + E[(X'X)^{-1}X'w\beta]$$
$$\hat{\beta} = \beta + \underbrace{E[(X'X)^{-1}X'w\beta]}_{Sesgo}$$
Este sesgo puede ser escrito de otra forma:
$$\hat{\beta} = \beta + E[(X'X)^{-1}] E[X'w]\beta$$
Remplazando $X'$ por $(X^{*} - w)'$
$$\hat{\beta} = \beta + E[(X'X)^{-1}] E[(X^{*} - w)'w]\beta$$
$$\hat{\beta} = \beta + E[(X'X)^{-1}] E[X^{*'}w - w'w]\beta$$
$$E[\hat{\beta}] = \beta + E[(X'X)^{-1}] \cancelto{0}{E[X^{*'}w]\beta} - E[(X'X)^{-1}]E[w'w]\beta$$
$$E[\hat{\beta}] = \beta - E[(X'X)^{-1}]E[w'w]\beta$$
$$E[\hat{\beta}] = \beta - \underbrace{E[(X'X)^{-1}]}_{Var(X)^{-1}}\underbrace{E[w'w]}_{Var(w)}\beta$$
$$E[\hat{\beta}] = \beta - Var(X)^{-1}Var(w)\beta$$
Pero $Var(X) = Var(x^{*} - w)$
$$E[\hat{\beta}] = \beta(1 - \frac{{\sigma_{w}}^{2}}{{\sigma_{X^{*}}}^{2} + {\sigma_{w}}^{2}})$$
$$E[\hat{\beta}] = \beta\underbrace{[\frac{{\sigma_{X}}^{*2}}{{\sigma_{X^{*}}}^{2} + {\sigma_{w}}^{2}} ]}_{S. Atenuacion}$$
Como podemos ver, problemas en la medición de $x$ nos traen problemas de sesgo en nuestros estimadores. Aparece este problema llamado \textbf{sesgo de atenuación} el cual esta siempre entre 0 y 1 por lo que $\hat{\beta} < \beta$, es decir, nuestros estimadores van a sub estimar siempre al parámetro poblacional.</br>
Ahora preguntémonos que pasa con la varianza de $\hat{\beta}$ cuando hay error de medición en x, partiendo de:
$$\hat{\beta} = \beta + (X'X)^{-1}X'\epsilon + (X'X)^{-1}X'w\beta$$
$$Var[\hat{\beta}] = 0 + Var[(X'X)^{-1}X'\epsilon] + Var[(X'X)^{-1}X'w\beta] + \cancelto{0}{2Cov(\epsilon, w\beta)} $$
$$Var[\hat{\beta}] = (X'X)^{-1}X'Var[\epsilon]X(X'X)^{-1} + (X'X)^{-1}X'Var[w\beta]X(X'X)^{-1} $$
$$Var[\hat{\beta}] = {\sigma_{\epsilon}}^{2}(X'X)^{-1}\underbrace{X'X(X'X)^{-1}}_{I} + {\beta}^{2}{\sigma_{w}}^{2}(X'X)^{-1}\underbrace{X'X(X'X)^{-1}}_{I} $$
$$Var[\hat{\beta}] = ({\sigma_{\epsilon}}^{2} + {\beta}^{2}{\sigma_{w}}^{2} )(X'X)^{-1}$$
Vemos un resultado muy similar al punto anterior (cuando el error de medición estaba en $y$), por lo que para concluir podemos decir que cuando hay errores de medición en x, además de tener estimadores sesgados, también pierden eficiencia. </br>
</div>
<div class="container">
<div class="row gtr-150">
<div class="col-6 col-12-medium">
<div></div>
<h1></h1>
<pre><code>
<strong style="color:blue">PENDIENTE</strong>
</code></pre>
</div>
<div class="col-6 col-12-medium imp-medium">
<span class="image fit"><img src="images/F.png" alt="" /></span>
</div>
</div>
</div>
<div class="container">
<h4><strong>Simultaneidad</strong></h4>
Llegamos al ultimo caso, que nos genera problemas de endogeneidad. Esto es, cuando hay simultaneidad. Para explicar esto, veamos el siguiente caso:
Queremos investigar si un mayor numero de policías disminuye el crimen en las regiones, hacemos una regresión con los datos que tenemos sobre tasa de crimen y numero de policías y encontramos que los lugares con mas policías tienen mas crimen. ¿Por qué? ¿Sera que los policías están cometiendo crímenes?, en teoría esto no tiene mucho sentido. Lo que puede estar pasando es que evidentemente si una región tiene muchos policías es porque ahí hay una tasa de crimen muy alta, y el estado envió muchos policías a que controlen el crimen. Entonces el problema al que nos enfrentamos en este tipo de casos es el siguiente:
$$Homicidios_{t} = \beta_{0} + \beta_{1}Policia_{t} + \epsilon_{1}$$
$$Policia_{t} = \alpha_{0} + \alpha_{1}Homicidios_{t} + \epsilon_{2}$$
Como vemos en las dos ecuaciones anteriores, cada variable esta explicada parcialmente \footnote{Digo parcialmente porque hay mas variables que afectan la cantidad de policías en una región o los homicidios.} por la otra. Intuitivamente podemos decir que cuando hay mas policías, se esperaría que los homicidios disminuyeran ya que la probabilidad de ser capturado aumenta, y esto desincentiva los crímenes, pero por otra parte, cuando hay mas homicidios se esperaría también que los policías aumenten en respuesta a este aumento en el crimen.</br>
Cuando vamos a investigar esta relación entre homicidios y numero de policías podemos entrar en el problema de que no sabemos que variable esta explicando que. Es decir, no sabemos si nuestros datos nos están explicando la ecuación de $homicidios(x_{1},x_{2},...,policias, x_{k})$ o $policias(x_{1},x_{2},...,homicidios, x_{k})$. Veamos matemáticamente que en la regresión hipotética que propusimos al inicio, estamos encontrando que mas policías aumentan los homicidios.</br>
Sustituyendo la ecuación de policías en homicidios obtenemos que:
$$Homicidios_{t} = \beta_{0} + \beta_{1}[\alpha_{0} + \alpha_{1}Homicidios_{t} + \epsilon_{1}] + \epsilon_{2}$$
$$ Homicidios_{t} = \beta_{0} + \beta_{1}\alpha_{0} + \beta_{1}\alpha_{1}Homicidios_{t} + \beta_{1}\epsilon_{1} + \epsilon_{2}$$
$$ Homicidios_{t}( 1 - \beta_{1}\alpha_{1})= \beta_{0} + \beta_{1}\alpha_{0} + \beta_{1}\epsilon_{1} + \epsilon_{2}$$
$$ Homicidios_{t}= \frac{\beta_{0} + \beta_{1}\alpha_{0}}{( 1 - \beta_{1}\alpha_{1})} + \frac{\beta_{1}\epsilon_{1} + \epsilon_{2}}{( 1 - \beta_{1}\alpha_{1})}$$
Como podemos ver, homicidios esta siendo afectado por muchos parámetros que no estábamos teniendo en cuenta. Esto se debe a que la correlación entre policías y el error $\epsilon_{1}$ no es 0.</br>
Si hacemos lo mismo para policías obtendremos que:
$$Policia = \frac{\alpha_{0} + \alpha_{1}\beta_{0}}{1 - \alpha_{1}\beta_{1}} + \frac{\alpha_{1}\epsilon_{1} + \epsilon_{2}}{1 - \alpha_{1}\beta_{1}}$$
Y con este ultimo resultado podemos ver porque la correlacion entre policias y el error es diferente de 0:
$$Cov(Policia,\epsilon_{1}) = E[Policia*\epsilon_{1}] + E[Policia]*\cancelto{0}{E[\epsilon_{1}]}$$
$$Cov(Policia,\epsilon_{1}) = E[Policia*\epsilon_{1}]$$
$$Cov(Policia,\epsilon_{1}) = E[(\frac{\alpha_{0} + \alpha_{1}\beta_{0}}{1 - \alpha_{1}\beta_{1}} + \frac{\alpha_{1}\epsilon_{1} + \epsilon_{2}}{1 - \alpha_{1}\beta_{1}})\epsilon_{1}]$$
$$Cov(Policia,\epsilon_{1}) = E[(\frac{\alpha_{0} + \alpha_{1}\beta_{0}}{1 - \alpha_{1}\beta_{1}})\epsilon_{1} + (\frac{\alpha_{1}\epsilon_{1} + \epsilon_{2}}{1 - \alpha_{1}\beta_{1}})\epsilon_{1}]$$
$$Cov(Policia,\epsilon_{1}) = \cancelto{0}{E[(\frac{\alpha_{0} +
\alpha_{1}\beta_{0}}{1 - \alpha_{1}\beta_{1}})\epsilon_{1}]} +
E[(\frac{\alpha_{1}\epsilon_{1}} {1 - \alpha_{1}\beta_{1}})\epsilon_{1}]
+ \cancelto{0}{E[(\frac{\epsilon_{2}} {1 - \alpha_{1}\beta_{1}})\epsilon_{1}]} $$
$$Cov(Policia,\epsilon_{1}) =
E[(\frac{\alpha_{1}{\epsilon_{1}}^{2}} {1 - \alpha_{1}\beta_{1}})] = \frac{\alpha_{1}{\sigma_{\epsilon}}^{2}}{1 - \alpha_{1}\beta_{1}}\not= 0
$$
Usando toda la información que obtuvimos anteriormente vamos ahora a buscar cual es el sesgo que nos genera tener problemas de simultaneidad.
Partiendo de nuestro estimador de MCO:
$$\hat{\beta} = (X'X)X'y$$
Y poniéndolo en términos de las variables del ejemplo anterior:
$$\hat{\beta} = (Policia'Policia)^{-1}Policia'Homicidios $$
$$ \hat{\beta} = (Policia'Policia)^{-1}Policia'(Policia\beta + \epsilon_{1})$$
$$ \hat{\beta} = \underbrace{(Policia'Policia)^{-1}Policia'Policia}_{I}\beta + (Policia'Policia)^{-1}Policia'\epsilon_{1}$$
$$ \hat{\beta} = \beta + (Policia'Policia)^{-1}Policia'\epsilon_{1}$$
Ahora antes de continuar, pensemos en el segundo termino de la ecuación anterior. ¿A que se parece?. Tiene la misma forma que tendría una regresión de $\epsilon$ en $Policia$. Es decir, este ultimo termino es el $\hat{\pi}_{Policia}$\footnote{Escribo $\hat{\pi}$ para que quede claro que es una estimación totalmente diferente a la que veníamos haciendo, pero que sigue siendo un parámetro estimado por MCO.} de la regresión $\epsilon = \rho_{0} + \rho_{1}Policia + z$.
$$ \hat{\beta} = \beta + \underbrace{(Policia'Policia)^{-1}Policia'\epsilon_{1}}_{\hat{\pi}}$$
$$\hat{\pi} = (Policia'Policia)^{-1}Policia'\epsilon_{1} = \frac{Cov(Policia,\epsilon_{1})}{Var(Policia)}$$
¿Porque estoy escribiendo la covarianza de policía y Epsilon 1 sobre la varianza de policía? Porque este es el estimador $\hat{\beta}$ escrito en forma de sumatorias\footnote{Recordemos el estimador de MCO en notación de sumatorias: $\hat{\beta} = \frac{\sum (x_{i} - \bar{x})(y_{i} - \bar{y})}{\sum (x_{i} - \bar{x})^{2}} = \frac{Cov(x,y)}{Var(x)}$.}.
Entonces volviendo a donde estábamos, podemos escribir $\hat{\beta}$ de la siguiente forma:
$$ \hat{\beta} = \beta + \frac{Cov(Policia,\epsilon_{1})}{Var(Policia)} $$
Y usando nuestro resultado anterior sobre la covarianza de policía y epsilon 1:
$$ \hat{\beta} = \beta + \frac{\frac{\alpha_{1}{\sigma_{\epsilon}}^{2}}{1 - \alpha_{1}\beta_{1}}}{{\sigma^{2}_{policia}}} $$
$$\hat{\beta} = \beta + \underbrace{\frac{\alpha_{1} {\sigma_{\epsilon}}^{2} }{(1 - \alpha_{1}\beta_{1}){\sigma^{2}}_{policia}} }_{S. Simultaneidad}$$
Acabamos de demostrar que nuestros estimadores de MCO de la regresión de Homicidios en policías tiene un sesgo. Intuitivamente ya lo sabíamos, pero ahora conocemos la forma exacta. Pensemos ahora que dirección tiene este sesgo de simultaneidad:
$$Sesgo = \frac{\alpha_{1} {\sigma_{\epsilon}}^{2} }{(1 - \alpha_{1}\beta_{1}){\sigma^{2}}_{policia}} $$
Por una parte, las varianzas son siempre positivas. Asi que la direccion del sesgo depende del signo de $\alpha_{1}$ y de $\beta_{1}$. </br>
Para nuestro ejemplo de cantidad de policias y homicidios, $\alpha_{1}$ es igual al efecto de los homicidios en la cantidad de policias. Intuitivamente podemos decir que esto es positivo, ya que entre mas homicidios hay en una region, mas policias seran enviados a controlar el problema. Por otro lado, $\beta_{1}$ podria tener un signo negativo, ya que se puede pensar que ante un aumento de policias en una determinada region, los homicidios van a disminuir. Dicho esto tenemos que $\alpha_{1} > 0$ y que $\beta_{1} < 0$, por lo que nuestro sesgo de simultaneidad sera positivo.
$$Sesgo = \frac{\overbrace{\alpha_{1} {\sigma_{\epsilon}}^{2}}^{Positivo} }{\underbrace{(1 - \alpha_{1}\beta_{1})}_{Positivo}\underbrace{{\sigma^{2}}_{policia}}_{Positivo}} $$
$$Sesgo > 0$$
Dado esto acabamos de mostrar que este problema de simultaneidad también nos afecta nuestros estimadores, haciéndolos sesgados.
Lo que sigue ahora es buscar soluciones a nuestros problemas de endogeneidad. Aparecen entonces dos posibles soluciones. Por ejemplo para solucionar nuestro problema de simultaneidad podemos utilizar utilizar variables rezagadas, es decir, usar variables en diferentes periodos de tiempo para ver por ejemplo, si una mayor cantidad de policias ayer, se traduce en una menor tasa de crimen hoy.
La otra solución es un poco mas "interesante", ya que con esta podemos solucionar cualquiera de los tres problemas mencionados anteriormente. Sin importar si tenemos variables omitidas, errores de medición o simultaneidad, el método de variables instrumentales nos sirve para estimar nuestros parámetros sin problema.
</div>
</div>
<div class="container">
<div class="row gtr-150">
<div class="col-6 col-12-medium">
<div></div>
<h1></h1>
<pre><code>
<strong style="color:blue">PENDIENTE</strong>
</code></pre>
</div>
<div class="col-6 col-12-medium imp-medium">
<span class="image fit"><img src="images/F.png" alt="" /></span>
</div>
</div>
</div>
<div class="container">
<h3>Bibliografía:</h3>
<ul>
<li> Díaz, A. (2020), Clases Econometría Avanzada.
<li> Verbeek, M. (2004), A Guide to Modern Econometrics.</li>
<li> Wooldridge, Jeffrey M. (2018), Introductory Econometrics: A Modern Approach, Sixth Edition, Cengage Learning.</li>
<li> Montenegro, A. (2018), Econometría Intermedia y Básica.</li>
</ul>
</div>
</section>
<section id="four" class="main style2 special">
<div class="container">
<header class="major">
<h2>Bases y do files</h2>
</header>
<ul class="actions special">
<li><a href="Exogeneidad Estricta.do" download="FWL.zip" class="button wide primary">Descargar</a></li>
<li><a href="index.html" class="button wide">Pagina principal</a></li>
</ul>
</div>
</section>
<!-- Footer -->
<section id="footer">
<ul class="copyright">
<li>Juan Esteban Rincón Poveda</li><li>Design: HTML5 UP</li>
</ul>
</section>
<!-- Scripts -->
<script src="assets/js/jquery.min.js"></script>
<script src="assets/js/jquery.scrolly.min.js"></script>
<script src="assets/js/browser.min.js"></script>
<script src="assets/js/breakpoints.min.js"></script>
<script src="assets/js/util.js"></script>
<script src="assets/js/main.js"></script>
</body>
</html>