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
Emlékeztető Tobit modell sarokmegoldás Cenzorált modell maximált értékek Csonkolt modell x értékei nem megfigyeltek bizonyos intervallumon Heckman modell: nem véletlen minta
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
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
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
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
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
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)!
Gyakorló feladatok W 17.7: egyetemre beiratkozás magyarázó tényezőinek vizsgálata, adatok: egyetemre felvettek W 17.4: bérregresszió becslése, Heckman modell becslése EViews segítségével
Acs, Z. J. et al. (1994) R&D spillovers and recipient firm size. The Review of Economics and Statistics.
Kérdésfeltevés Kis cégek innovációs képességének vizsgálata Bizonyos piacokon kis cégek innovatívabbak miért? Honnan ered az innovációs képesség?
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
Adatok I: innovációk száma 1982- ben 5 technológiai kategória, 29 állam (145 megfigyelés)
Becslés Tobit modell: 0 megfigyelés több technológia iparág párban
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
Muraközy B., Halpern L. (2009) Innovation, Productivity and Exports: the Case of Hungary. KTI Műhelytanulmány.
A tanulmány célja Innováció mennyiben befolyásolja a vállalatok teljesítményét? Innováció és exportálás összefüggése Magyarországi adatok Multinacionális vállalatok szerepe
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
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)
Becslési eredmények 1. és 2. lépcső
Becslési eredmények 3. lépcső, marginális hatás az átlagban R&D 5-7%-os hatása: Nyugat- Európában jellemzően nagyobb
Becslési eredmények, 4. lépcső
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
Innováció hatása exportra
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
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