ARAÇSAL DEĞİŞKEN TAHMİNİ VE İKİ AŞAMALI EN KÜÇÜK KARELER
library(AER);library(stargazer)## Warning: package 'AER' was built under R version 4.2.3## Zorunlu paket yükleniyor: car## Warning: package 'car' was built under R version 4.2.3## Zorunlu paket yükleniyor: carData## Warning: package 'carData' was built under R version 4.2.3## Zorunlu paket yükleniyor: lmtest## Warning: package 'lmtest' was built under R version 4.2.3## Zorunlu paket yükleniyor: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Zorunlu paket yükleniyor: sandwich## Warning: package 'sandwich' was built under R version 4.2.3## Zorunlu paket yükleniyor: survival##
## Please cite as:## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.## R package version 5.2.3. https://CRAN.R-project.org/package=stargazerdata(mroz, package='wooldridge')eksik olmayan ücret gözlemleriyle sınırlandırın
oursamples <- subset(mroz, !is.na(wage))OLS eğim parametresi manuel olarak
with (oursamples, cov (log (wage), educ) / var (educ))## [1] 0.1086487IV eğim parametresi manuel
with (oursamples, cov (log (wage), fatheduc)/ cov (educ, fatheduc))## [1] 0.05917348OLS otomatik olarak
reg.ols <- lm (log (wage) ~ educ, data=oursamples)IV otomatik olarak
reg.iv <- ivreg (log (wage) ~ educ | fatheduc, data=oursamples)regresyon tablosu
stargazer (reg.ols, reg.iv, type="text")##
## ===================================================================
## Dependent variable:
## ------------------------------------
## log(wage)
## OLS instrumental
## variable
## (1) (2)
## -------------------------------------------------------------------
## educ 0.109*** 0.059*
## (0.014) (0.035)
##
## Constant -0.185 0.441
## (0.185) (0.446)
##
## -------------------------------------------------------------------
## Observations 428 428
## R2 0.118 0.093
## Adjusted R2 0.116 0.091
## Residual Std. Error (df = 426) 0.680 0.689
## F Statistic 56.929*** (df = 1; 426)
## ===================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01#Example 15.1
Basit regresyon modelinde eğitime dönüşü tahmin etmek için MROZ.RAW’daki evli çalışan kadınlara ilişkin verileri kullanıyoruz.
\[log(wage) = \beta_0 + \beta_1educ +e\] Karşılaştırma için önce OLS tahminlerini alıyoruz
\[log(wage) = .185 + .109educ\]
\[ n=428, R^2=.118.\]
bir eğitim yılı daha için neredeyse %11’lik bir getiri anlamına gelir.
Daha sonra, eğitim için araçsal bir değişken olarak babanın eğitimini (fateduc) kullanıyoruz. İlk olarak fateduc’un u ile ilişkisiz olduğunu savunmak. İkinci koşul, eğitim ve fateduc ilişkilidir. Eğitimin basit bir regresyonunu kullanarak bunu kolayca kontrol edebiliriz.
\[educ = 10.24 +
.269fateduc\]
\[ n=428, R^2=.173.\] Fatheduc’a
ilişkin t istatistiği 9.28’dir; bu, educ ve fateduc’un istatistiksel
olarak anlamlı bir pozitif korelasyona sahip olduğunu gösterir. Educ
aslında fateduc varyasyonun yaklaşık %17’sini açıklar.
\[log(wage) = .441 +
.059educ\]
\[ n=428, R^2=.093.\] Tahmin eğitime
geri dönüşün , OLS tahmininin yaklaşık yarısı olan %5,9’dur.Bu, OLS
tahmininin çok yüksek olduğunu ve ihmal edilen yetenekle tutarlı
olduğunu gösterir..109’un eğitime gerçek dönüşün üzerinde olup
olmadığını veya .059’un o eğitime daha yakın olup olmadığını
öğreneceğiz.OLS kullanan 1 için %95 güven aralığıdır;
#Example 15.2
Artık erkeklerin eğitime geri dönüşünü tahmin etmek için WAGE2.RAW kullanıyoruz. Sibs (kardeş sayısı) değişkenini eğitim için bir araç olarak kullanıyoruz. Bunlar negatif olarak ilişkilidir, çünkü basit bir regresyondan doğrulayabiliriz.
\[educ = 14.14-0,228sibs\] \[n=935 , R^2=0,057\]
Bu, her kardeşin ortalama olarak yaklaşık 0,23 daha az eğitim yılı ile ilişkili olduğunu gösterir.
\[log(wage) = 5,13+0,122educ\] \[n=935\] R-kare negatif olarak hesaplanmıştır, bu yüzden bunu bildirmiyoruz.OLS tahmini 1.006 dır.bu kardeşler aynı zamanda yetenekle de ilişkilidir: daha fazla kardeş, ortalama olarak, daha az ebeveyn ilgisi anlamına gelir ve bu da daha düşük yetenekle sonuçlanabilir.
library (AER); library (stargazer)data(card, package='wooldridge')redf<-lm (educ ~ nearc4+exper+I (exper^2) +black+smsa+south+smsa66+reg662+ reg663+reg664+reg665+reg666+reg667+reg668+reg669, data=card)OLS(EN KÜÇÜK KARELER YÖNTEMİ)
ols<-lm (log (wage) ~educ+exper+I(exper^2) +black+smsa+south+smsa66+reg662+reg663+reg664+reg665+reg666+reg667+reg668+reg669, data=card)IV Tahmin
iv <-ivreg (log (wage)~ educ+exper+I (exper^2)+black+smsa+south+smsa66+ reg662+reg663+reg664+reg665+reg666+reg667+reg668+reg669| nearc4+exper+I (exper^2) +black+smsa+south+smsa66+ reg662+reg663+reg664+reg665+reg666+reg667+reg668+reg669 , data=card)seçilen katsayıların regresyon tablosu
stargazer(redf, ols, iv, type="text", keep=c("ed", "near", "exp", "bl"), keep.stat=c("n", "rsq"))##
## =============================================
## Dependent variable:
## --------------------------------
## educ log(wage)
## OLS OLS instrumental
## variable
## (1) (2) (3)
## ---------------------------------------------
## nearc4 0.320***
## (0.088)
##
## educ 0.075*** 0.132**
## (0.003) (0.055)
##
## exper -0.413*** 0.085*** 0.108***
## (0.034) (0.007) (0.024)
##
## I(exper2) 0.001 -0.002*** -0.002***
## (0.002) (0.0003) (0.0003)
##
## black -0.936*** -0.199*** -0.147***
## (0.094) (0.018) (0.054)
##
## ---------------------------------------------
## Observations 3,010 3,010 3,010
## R2 0.477 0.300 0.238
## =============================================
## Note: *p<0.1; **p<0.05; ***p<0.01\[log(wage) = β_0+β_1educ+β_2exper+β_3exper^2+u_1\] \[educ = π_0+π_1educ+π_2exper_2+π_3motheduc+π_4fatheduc+u_1\]
library (AER); library (stargazer)data(mroz, package='wooldridge')oursample <- subset(mroz, !is.na (wage))stagel <- lm (educ~exper+I(exper^2)+motheduc+fatheduc, data=oursample)man.2SLS<-lm (log (wage)~fitted(stagel) +exper+I (exper^2), data=oursample)aut.2SLS<-ivreg(log (wage)~educ+exper+I(exper^2) | motheduc+fatheduc+exper+I(exper^2), data=oursample)stargazer(stagel,man.2SLS,aut.2SLS, type="text",keep.stat=c("n","rsq"))##
## =============================================
## Dependent variable:
## ------------------------------
## educ log(wage)
## OLS OLS instrumental
## variable
## (1) (2) (3)
## ---------------------------------------------
## fitted(stagel) 0.061*
## (0.033)
##
## educ 0.061*
## (0.031)
##
## exper 0.045 0.044*** 0.044***
## (0.040) (0.014) (0.013)
##
## I(exper2) -0.001 -0.001** -0.001**
## (0.001) (0.0004) (0.0004)
##
## motheduc 0.158***
## (0.036)
##
## fatheduc 0.190***
## (0.034)
##
## Constant 9.103*** 0.048 0.048
## (0.427) (0.420) (0.400)
##
## ---------------------------------------------
## Observations 428 428 428
## R2 0.211 0.050 0.136
## =============================================
## Note: *p<0.1; **p<0.05; ***p<0.01library (AER); library (lmtest)data(mroz, package='wooldridge')oursample <- subset (mroz, !is.na (wage))stagel<-lm (educ~exper+I(exper^2) +motheduc+fatheduc, data=oursample) stage2<-lm (log (wage)~educ+exper+I(exper^2) +resid (stagel), data=oursample)coeftest(stage2)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.04810030 0.39457526 0.1219 0.9030329
## educ 0.06139663 0.03098494 1.9815 0.0481824 *
## exper 0.04417039 0.01323945 3.3363 0.0009241 ***
## I(exper^2) -0.00089897 0.00039591 -2.2706 0.0236719 *
## resid(stagel) 0.05816661 0.03480728 1.6711 0.0954406 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 12SLS ile tahmin ettiğimizde, denklemimiz
\[log(wage) = 0,048+0,061educ+0,044exper-0,0009exper^2\] \[n=428, R^2=0,136\] eğitim ebeveynlerin eğitimi ile ilişkilidir.
data (mroz, package='wooldridge')oursample <- subset(mroz, !is.na (wage))IV regresyon
summary(res.2sls <- ivreg(log(wage)~educ+exper+I(exper^2) | exper+I(exper^2)+motheduc+fatheduc,data=oursample) )##
## Call:
## ivreg(formula = log(wage) ~ educ + exper + I(exper^2) | exper +
## I(exper^2) + motheduc + fatheduc, data = oursample)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.0986 -0.3196 0.0551 0.3689 2.3493
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.0481003 0.4003281 0.120 0.90442
## educ 0.0613966 0.0314367 1.953 0.05147 .
## exper 0.0441704 0.0134325 3.288 0.00109 **
## I(exper^2) -0.0008990 0.0004017 -2.238 0.02574 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6747 on 424 degrees of freedom
## Multiple R-Squared: 0.1357, Adjusted R-squared: 0.1296
## Wald test: 8.141 on 3 and 424 DF, p-value: 2.787e-05\[log(wage) = 0,048+0,061educ+0,044exper-0,00089exper^2\]
res.aux <- lm(resid(res.2sls) ~ exper+I(exper^2)+motheduc+fatheduc, data = oursample)(r2 <- summary(res.aux)$r.squared)## [1] 0.0008833444(n <-nobs (res.aux))## [1] 428(teststat <- n*r2)## [1] 0.3780714(pval <- 1-pchisq(teststat, 1))## [1] 0.5386372library (plm)## Warning: package 'plm' was built under R version 4.2.3data (jtrain, package='wooldridge')Panel verileri tanımlamak için aşağıdaki işlem uygulanır (yalnızca 1987 ve 1988 için)
jtrain.87.88 <- subset (jtrain, year<=1988)jtrain.p<-pdata.frame(jtrain.87.88, index=c("fcode","year"))summary(plm (log(scrap)~hrsemp|grant, model="fd", data=jtrain.p))## Oneway (individual) effect First-Difference Model
## Instrumental variable estimation
## (Balestra-Varadharajan-Krishnakumar's transformation)
##
## Call:
## plm(formula = log(scrap) ~ hrsemp | grant, data = jtrain.p, model = "fd")
##
## Unbalanced Panel: n = 47, T = 1-2, N = 92
## Observations used in estimation: 45
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -2.3088292 -0.2188848 -0.0089255 0.2674362 2.4305637
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) -0.0326684 0.1269512 -0.2573 0.79692
## hrsemp -0.0141532 0.0079147 -1.7882 0.07374 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 17.29
## Residual Sum of Squares: 17.015
## R-Squared: 0.061927
## Adj. R-Squared: 0.040112
## Chisq: 3.19767 on 1 DF, p-value: 0.073743\[hrsemp=0,051+27,88δgrant\] \[ n=45,R^2=0,392\] çalışan başına iş eğitimi saatindeki değişikliğin, 1988’de bir iş eğitimi hibesi almakla pozitif şekilde ilişkili olduğu görülmektedir.
Bir iş eğitimi hibesi almak, çalışan başına eğitimi yaklaşık 28 saat arttırmıştır.
\[log(scarp)=-0,033-0,014δhrsemp\] \[ n=45,R^2=0,016\] şçi başına 10 saat daha iş eğitiminin hurda oranı yaklaşık %14 oranında azaltacağını göstermektedir.