Heckman modell. Szelekciós modellek alkalmazásai.

Átírás

1 Heckman modell. Szelekciós modellek alkalmazásai. Mikroökonometria, 12. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával készült az ELTE TáTK Közgazdaságtudományi Tanszékének közreműködésével

2 Emlékeztető Tobit modell sarokmegoldás Cenzorált modell maximált értékek Csonkolt modell x értékei nem megfigyeltek bizonyos intervallumon Heckman modell: nem véletlen minta

3 Nem véletlen minta okozói Mintavétel módszere Válaszmegtagadások Panel adatok: lemorzsolódás Járulékos szelekció: y nem megfigyelhető egy másik kimeneti változó miatt Pl.: bérregresszió csak azokra becsülhető, akik munkaerőpiacon vannak

4 OLS szelektív minta esetén OLS konzisztens az alábbi esetekben: Exogén szelekció: szelekció csak a megfigyelt exogén magyarázó változóktól függ Pl. végzettség, életkor befolyásolja béreket, ugyanezek a tényezők befolyásolják munkaerőpiaci státuszt Véletlen szelekció Szelekció exogén változóktól és azoktól független véletlen tényezőtől függ Pl. bérregresszió, meg nem figyelt tényező: IQ OLS nem konzisztens pl. csonkolt minta esetén

5 Szelekciós modell Példa: bérregresszió munkaerőpiaci részvétel y = xβ + u, E(u x) = 0 Szelekciós egyenlet: s = 1[zγ + v >= 0], E(v z) = 0 s=1, ha y megfigyelt Feltevések: x részhalmaza z-nek, u független z-től

6 Szelekciós modell, folyt. 0 :OLS konzisztens Ha (.) :inverz Mills hányados ) ( 1), ( ), ( v együttes eloszlása normális Feltevés: u, ), ( ), ( = + = = + = + = ρ λ γ ρλ β ρ β β z x s z y E v x v z y E v z u E x v z y E

7 Heckman modell (Heckit módszer) 1. Probit modell becslése: s függő változó, z magyarázó változó. 2. Inverz Mills hányados becslése. 3. Szelektált modell becslése: y függő változó, x és becsült λ magyarázó változók Szelekciós torzítás tesztelése: H 0 : ρ = 0

8 Heckman modell, megjegyzések 2 lépcsős becslés: szokásos standard hibák nem érvényesek 2 lépcsős becslés alternatívája: ML becslés 1 lépcsőben x szigorú részhalmaza legyen z-nek Kell legalább egy változó, ami befolyásolja szelekciót, de nem a lényegi kimeneti változót (y-t)!

9 Gyakorló feladatok W 17.7: egyetemre beiratkozás magyarázó tényezőinek vizsgálata, adatok: egyetemre felvettek W 17.4: bérregresszió becslése, Heckman modell becslése EViews segítségével

10 Acs, Z. J. et al. (1994) R&D spillovers and recipient firm size. The Review of Economics and Statistics.

11 Kérdésfeltevés Kis cégek innovációs képességének vizsgálata Bizonyos piacokon kis cégek innovatívabbak miért? Honnan ered az innovációs képesség?

12 Modell I = CRD β1 * UR β2 * (UR*GC) β3 * e Megfigyelési egység: termék állami szinten (USA) I: innovatív output CRD: magán R&D kiadás UR: egyetemi R&D kiadás GC: egyetemi és ipari kutatólaboratóriumok egybeesésének indexe

13 Adatok I: innovációk száma ben 5 technológiai kategória, 29 állam (145 megfigyelés)

14 Becslés Tobit modell: 0 megfigyelés több technológia iparág párban

15 Eredmények elemzése Pozitív együtthatók várakozásnak megfelelően Kisvállalatok: Innováció rugalmassága R&D kiadásokra kisebb Egyetemi kutatások jelentősége nagyobb Kutatólaboratóriumok földrajzi elhelyezkedése fontosabb Probléma: erős pozitív korreláció log(crd) és log(ur) között

16 Muraközy B., Halpern L. (2009) Innovation, Productivity and Exports: the Case of Hungary. KTI Műhelytanulmány.

17 A tanulmány célja Innováció mennyiben befolyásolja a vállalatok teljesítményét? Innováció és exportálás összefüggése Magyarországi adatok Multinacionális vállalatok szerepe

18 Adatok Forrás: Közösségi Innovációs Felmérés + mérlegadatok Szelekciós probléma: csak akkor van megfigyelés innovációra vonatkozó változókról, ha innovatív output vagy R&D pozitív Innováció indikátorai: Dummy: folytonos R&D aktivitás elmúlt 3 évben R&D intenzitás: R&D kiadás / alkalmazottak száma Dummy változók: folyamat innováció, termékinnováció Új termékek értékesítési hányada

19 Modell 4 lépcső: 1. Van-e R&D beruházás 2. R&D mértéke 3. Tudás termelési függvénye: R&D innováció 4. Innováció termelékenység 1 + 2: Heckman modell 2. lépcső: vállalat mérete kihagyva magyarázó változók közül 3. lépcső: probit modellek (innováció bináris indikátoraira)

20 Becslési eredmények 1. és 2. lépcső

21 Becslési eredmények 3. lépcső, marginális hatás az átlagban R&D 5-7%-os hatása: Nyugat- Európában jellemzően nagyobb

22 Becslési eredmények, 4. lépcső

23 Megjegyzések Labour productivity: log értékesítés / alkalmazottak száma TFP: log output log alkalmazottak száma log tőkeállomány 1. és 4. specifikáció: multikollinearitás Innovatív vállalatok 20-30%-kal termelékenyebbek, mint nem innovatívak: nagy hatás

24 Innováció hatása exportra

25 Megjegyzések Táblázatban szereplő értékek: marginális hatások a mintaátlagban Exportőr: dummy változó Probit modell Export intenzitás: export / értékesítés Tobit modell Innováció hatásának dekompozíciója: Új piacokra exportálás Exportált termékek száma nem nő Exportálás intenzitására nincs szignifikáns hatás

26 Tulajdonosi struktúra befolyása Külföldi tulajdon definíciója: min. 10% tulajdoni hányad külföldi Külföldi tulajdonlás: R&D valószínűségét nem befolyásolja De: R&D intenzitására pozitív hatás Innovációra és termelékenységre pozitív hatás

27