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. E ( y | z , v) = xβ + E (u | z , v) Feltevés : u, v együttes eloszlása normális E ( y | z , v) = xβ + ρv E ( y | z , s = 1) = xβ + ρλ ( zγ ) λ (.) : inverz Mills hányados Ha ρ = 0 : OLS konzisztens
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: H0: 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 = CRDβ1 * URβ2 * (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 1982ben 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: NyugatEurópában 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
