Resolviendo endogeneidad sin instrumentos. Una aplicación desde Lewbel
Barra lateral del artículo
Contenido principal del artículo
Resumen
Hasta el día de hoy, se ha venido presentando una motivación académica importante por comprender las relaciones causales para hacer inferencia estadística robusta. No obstante, es muy común enfrentarse a problemas de endogeneidad y en la práctica encontrar instrumentos suele ser complejo. Aunque la endogeneidad puede deberse a diferentes mecanismos de interacción y relaciones entre los regresores y las variables respuesta con el error, el efecto que causa es la inconsistencia en la estimación, lo que significa que los resultados no están respondiendo de forma adecuada a resolver el problema propuesto. Parte de allí entonces, la motivación de investigaciones y metodologías que buscan corregir la endogeneidad sin recurrir al uso de instrumentos externos. En este documento de trabajo, se parte por considerar que la inconsistencia se debe a un error de medida en la variable endógena, y se exploran mecanismos de solución para corregir el sesgo. Dada la naturaleza de los datos la metodología elegida es la propuesta por Lewbel (1997). Finalmente, se realiza una aplicación a un ejercicio empírico empleando las bases de datos provistas por Stock and Watson (2007), concluyendo con la solución a los problemas de endogeneidad y la diferencia existente entre la solución encontrada en la investigación y otros estudios econométricos.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
Amsler, C., Prokhorov, A., Schmidt, P. (2016). Endogeneity in stochastic frontier models. Journal of Econometrics, 190(2), 280-288.
Carroll, R. J., Ruppert, D., Stefanski, L. A., Crainiceanu, C. M. (2006). Measurement error in nonlinear models: a modern perspective. CRC press.
Duncan, G. J., Magnuson, K. A., Ludwig, J. (2004). The endogeneity problem in developmental studies. Research in human development, 1(1-2), 59-80
Ebbes, P., Wedel, M., Böckenholt, U., Steerneman, T. (2005). Solving and testing for regressor-error (in) dependence when no instrumental variables are available: With new evidence for the effect of education on income. Quantitative Marketing and Economics, 3(4), 365-392.
Greene, W. H. (2008). The econometric approach to efficiency analysis. The measurement of productive efficiency and productivity growth, 1(1), 92-250.
Greene, W. H. (2003). Econometric analysis. Pearson Education India.
Guevara, C. A., Polanco, D. (2016). Correcting for endogeneity due to omitted attributes in discrete-choice models: the multiple indicator solution. Transportmetrica A: Transport Science, 12(5), 458-478.
Hamilton, B. H., Nickerson, J. A. (2003). Correcting for endogeneity in strategic management research. Strategic organization, 1(1), 51-78.
Hausman, J. A. (1978). Specification tests in econometrics. Econometrica: Journal of the econometric society, 1251-1271.
Huang, J., Zhao, P., Huang, X. (2019). Instrumental variable based SEE variable selection for Poisson regression models with endogenous covariates. Journal of Applied Mathematics and Computing, 59(1-2), 163-178.
Lehmann, E. L. (2004). Elements of large-sample theory. Springer Science Business Media.
Lewbel, A. (1997). Constructing instruments for regressions with measurement error when no additional data are available, with an application to patents and R D. Econometrica: journal of the econometric society, 1201-1213.
Lin, W., Wooldridge, J. M. (2019). Testing and correcting for endogeneity in nonlinear unobserved effects models. In Panel Data Econometrics (pp. 21-43). Academic Press.
Martínez, R., Lyssenko, N. (2011). Correcting for the endogeneity of pro-environment behavioral choices in contingent valuation. Ecological Economics, 70(8), 1435-1439.
Nakamura, A., Nakamura, M. (1998). Model specification and endogeneity. Journal of Econometrics, 83(1-2), 213-237
Papies, D., Ebbes, P., Van Heerde, H. J. (2017). Addressing endogeneity in marketing models. In Advanced methods for modeling markets (pp. 581-627). Springer, Cham.
Quiroga, B. F. (2018). Addressing Endogeneity Without Strong Instruments: A Practical Guide to Heteroskedasticity-Based Instrumental Variables. Available at SSRN 3293789.
Rossi, P. E. (2014). Even the rich can make themselves poor: A critical examination of IV methods in marketing applications. Marketing Science, 33(5), 655-672.
Shee, A., Stefanou, S. E. (2015). Endogeneity corrected stochastic production frontier and technical efficiency. American Journal of Agricultural Economics, 97(3), 939-952.
Stock, J. H., Watson, M. W. (2015). Introduction to econometrics.
Terza, J. V. (1998). Estimating count data models with endogenous switching: Sample selection and endogenous treatment effects. Journal of econometrics, 84(1), 129-154.
Tran, K. C., Tsionas, E. G. (2015). Endogeneity in stochastic frontier models: Copula approach without external instruments. Economics Letters, 133, 85-88.
Wang, C. J. (2015). Instrumental variables approach to correct for endogeneity in finance. In Handbook of financial econometrics and statistics (pp. 2577-2600). Springer USA.
Wooldridge, J. M. (2015). Control function methods in applied econometrics. Journal of Human Resources, 50(2), 420-445.
Wasserstein, R. L., Schirm, A. L., Lazar, N. A. (2019). Moving to a world beyond “p 0.05”.