Lecture 5 - Functionalform Flashcards
Om man har en icke linjär function. hur räknar man ur den marginella effekten av X? Alltså hur Y påverkas om ökar med en enhet i X?
Man tar första derivatan med hänseende på X på båda sidor
När kan man eller inte kan man använda OLS. Beträffande linjäritet.
När parametrarna (koefficienterna, B1, b2 osv) är linjära kan man använda OLS, men om de inte är det går det ej. Som vid probit eller logit osv. Φ är inte linjär.
Hur ska man tolka log log, linjär log och log linjär modeller?
Log Log = Den procentuella förändringen i Y givet en procentuell förändring i X. Samma som elasticitet %ΔX -> %ΔY
Log linjär = En procentuell förändring i Y givet förändring i en enhet i X
Linjär log = en enhetsförändsring i Y givet en procentuell förändring i X.
Om vi har förlänade ekvation
highschool är dummy. Även Female.
Y(Lön) = β0 + β1(Highschool) + β2(Female) + β3(DF) + u
Hur ska vi då tolka koefficienterna β1 och β3?
β1 = behandlingseffekten för på män
β3 = den extra effekten för att man är kvinna (β1 + β2)
Kvinna om F = 1, Man om F = 0
Vi har ekvationen Y(Lön) = β0 + β1(Highschool) + β2(Female) + β3(DF) + u
Vad betyder då
E(Y1|F = 0) E(Y0|F = 0) E(Y1|F = 1) E(Y0|F = 1)
Vad är de motsvarade betorna?
E(Y1|F = 0) = β0 + β1 -> Behandlingsbetingelsen för män E(Y0|F = 0) = β0 -> Kontrollbetingelsen för män E(Y1|F = 1) = β0 + β1 + β2 + β3 -> Behandlingsbetingelsen för kvinnor E(Y0|F = 1) = β0 + β2 -> kontrollbetingelsen för kvinnor
Om Y är en binär utfalls variabel hur formulerar vi då β0 + β1X1 ?
β0 + β1Χ1 —-> Linjär sannolikhetsmodell
Φ(β0 + β1) —-> Probit
V(β0 + β1X1) —-> Logit
Vid en icke-linjär funktion har man inte en marginaleffekt, utan den är olika beroende på var man befinner sig.
Vilka effekter kan man då visa för att summera? Vilken är vanligast?
Den genomsnittliga marginaleffekten
Den marginella effekten i genomsnitt
Den genomsnittliga marginaleffekten är vanligast
