Föreläsning 5 - Tobit Forst

Question 1

Vad ska vi tänka på när det gäller defenitionen av censurerad data? När är det då rätt och fel att använda tobit?

Answer 1

Mostly harmless: Tobit.
Tobit: Det vi ska tänka på är att ibland har vi inte med riktig censurerad data att göra. T.ex sjukvårdskostnader är verkligen noll för vissa och inte en statistisk artifakt av censurering.
Därför kan det vara fel att säga att y är potentiellt negativ då det inte finns eller potentiellt finns negativ data för y.
Då Tobit make sence är nöär vi verkligen har riktig censurerad data, den latenta variabeln har faktiskt en empirisk counterpart, t.ex vid topkodning då det existerar egentligen högre löner…

Question 2

Vilka starka antaganden gör man i Tobit modellen?

Answer 2

I tobit modellen antar man att feltermen är normaldistribuerad och där igenom att variancen är konstant, dvs homeskedastisk.

Question 3

Vilka sätt finns det att tolka marginaleffekten i Tobit modellen?

Answer 3

Det finns olika sätt att tolka den.

1. Den första är McDonalds och Moffitts dekomposition i två delar där: Första delen: Sannolikheten att gå över tröskelvärdet. Andra delen: effekten på det observerbara segmentet
   Se Ekvation i Koncept
2. Ett annat sätt att formulera marginaleffekten är
   βκφ(x’β/σ) (se koncept)
   βk är effekten och den andra delen är sannolikheten att överstiga tröskelvärdet. Effektgen är då diskonterad av faktumet att inte alla kommer över tröskeln.
   Så ju fler som censureras, desto mer skrivs effekten ned.
3. Det går också att använda rationa mellan coeffenterna i tobit modellen för att uttrycka effekten. (Det är alltså ration av koefficienterna, inte marginal effect at mean).

Question 4

Vilka problem finns det med Tobit modellen?

Answer 4

Modellen är känslig för misspecifikation.

Tobitmodellen är känslig för hetroskedasticitet
Precis som i fallet med logit/probit modeller leder hetroskedasticitet till inkomsistenta estimat av Beta-vektorn. Vid homoskedasticitet får vi dock bra resultat.

Se exemplet på vår assignmen där vi har hetroskedasticitet i feltermen, då får vi estimat som inte är konsistenta. Vi får estimat som är sämre än OLS. Modellen är alltså känslig för misspecifikation.
SKulle vi ha homoskedastisk variance så skulle vi ha konsistenta estimat.

Hausman har föreslaget ett specification test för att se om modellen är felspecificerad.

Question 5

Vad är Monte Carlo Exersis?

Answer 5

Monte Carlo Studie:

1. Man genererar data genom en populationsmodel
2. Använder datan och estimera modellen. Vi får estimat av parametrarna.
3. Repetera detta (1 och 2) många gånger så vi får en samplingsdistribuering av parameterestimnaten
4. Studera egenskaperna

Question 6

Vad är problem med congingency Valuation survey och vem har skrivit om det?

Answer 6

Hausman & Diamond (1994)
Artikeln kritiserar tillförlitligheten i Contingent Valuation surveys.
De går igenom en mängd olika bias. Dessa verkar snare besvara hur folk tror att de ska tycka snarare än deras egentliga preferenser. De tar t.ex upp embededment effekten som karneman visade, där folk skulle vara villiga att betala lika mycket för att sannera en sjö som fem sjöare, eller att rädda 20.000 fåglar som 200.000 fåglar.
De menar att dessa inte bör ligga till grund för public policy och cosyt benifit analyser. Det är inte bättre att fatta beslut på något otillförlitligt mått än på avsaknad av information. Just när det kommer till public goods i alla fall.
Folk svarar för att fpå ett warm glow.
Testen visar sig sällan vara konsistenta eller reliabla när de utvärderas.

”we do not think that people generally hold views about individual environmental sites (many of which they have never heard of); or that, within the confines of the time available for survey instruments, people will focus successfully on the identification of pref-
erences, to the exclusion of other bases for answering survey questions. This absence of preferences shows up as inconsistency in responses across surveys and implies that the survey responses are not satisfactory bases for policy.”