स्टेट फॉरेक्स में हैकमान का नमूना चयन मॉडल

मैं यूनियन मजदूरी प्रीमियम का अनुमान लगाने के लिए चयन के अपेक्षाकृत शास्त्रीय मॉडल का अध्ययन कर रहा हूं, वेतन के दो समीकरण और चयन यूनियन के एक दो चरण के समीकरण के साथ गामा एक्स एप्सिलॉन में मुझे दो अलग-अलग प्रश्न हैं: 1) जब मैं इसे एक क्रॉस सेक्शन अनुमान के रूप में लागू करता हूं Stata (हेकमान कमांड के साथ), मेरे पास बहुत अलग परिणाम हैं कि मैं इसे हेक्मैन द्वारा दो कदम विधि या एमएलई द्वारा अनुमान लगाता हूं। क्या यह सामान्य है इस मामले में सैद्धांतिक कारण क्या हैं 2) जैसा कि मेरे समीकरणों में बताया गया है, मेरे पास पैनल डेटा है क्या हैकमान प्रक्रिया अभी भी उस पर लागू होती है या क्या अनुमान के तहत एनोपोनेटी को हटा दिया जाता है और इसे हल करने के लिए मैं कह सकता हूं कि यह अभी भी लागू होता है, लेकिन मुझे प्रासंगिक साहित्य नहीं मिला और मेरे पाठ्यक्रम में केवल क्रॉस सेक्शन डेटा शामिल था। फरवरी 12 14 बजे 22:22 पूछा, अगर मैं सही ढंग से समझता हूं, तो आप हेकेमैन चयन मॉडल को एक अंतर्जात स्विचिंग प्रतिगमन मॉडल का अनुमान लगाने के लिए चकरा देने वाले हैं। रॉय मॉडल और टोबिट टाइप 5 के रूप में भी जाना जाता है। इस चाल को ली, फेफड़े-फेय (1 9 78) संघवाद और वेतन दर में समझाया गया है: अंतर्राष्ट्रीय और आर्थिक समीक्षा के साथ गुणात्मक और सीमित निर्भर चर के साथ एक समकालीन समीकरण मॉडल। वॉल्यूम। 1 9 (2), पीपी। 415-433 यदि आप कार्यकर्ता विशेषताओं को दो regimessectors (beta0 - beta1 ne 0) में अलग ढंग से पुरस्कृत करते हैं तो आप रुचि रखते हैं और सहसंबंध पैरामीटर रौर आपको दो क्षेत्रों में वेतन से स्वयं-चयनित संघ सदस्यता के प्रभाव के बारे में बताता है। हालाँकि, आप को मानक त्रुटियों को समायोजित करने की आवश्यकता हो सकती है अगर हेकमन तकनीक का उपयोग किया जाए या आप ढीले स्थिरता वैकल्पिक रूप से, चूंकि आपके पास एक बहिष्कार प्रतिबंध है, आप सहायक भूमिकाओं का उपयोग कर मजदूरी पर यूनियन सदस्यता का कारण प्रभाव पा सकते हैं: क्रॉस अनुभागीय आंकड़ों के लिए इलाज कर सकते हैं, और सभी प्रकार के पैनल IV विधियां जैसे xtivreg कुछ टिप्पणियां सबसे पहले, Theres एक उपयोगकर्ता-लिखित स्टेटा कमांड है जिसे क्रॉस अनुभागीय डेटा के साथ अंतर्जात स्विचिंग प्रतिगमन मॉडल का अनुमान लगाने के लिए डिजाइन किया गया है। यह एक पूर्ण जानकारी एमएल दृष्टिकोण है, जो त्रुटि शब्दों की धारणा के बहुभिन्नरूपी सामान्यता पर निर्भर करता है, जैसा कि हेकमान एमईएल विधि होता है अगर यह संतुष्ट हो जाता है, तो दोनों संगत होंगे, यद्यपि movestay दो भागों में यह करने की तुलना में कुछ अधिक कुशल होगा। हेकमन टू स्टेप की सीमित जानकारी एमएल अनुमानक सीमांत वितरण के निर्विवाद सामान्य स्तर पर निर्भर करती है, इसलिए इसे और अधिक मजबूत होने की उम्मीद है क्योंकि यह स्पष्ट करने के लिए कम बाधा है। लेकिन अगर आपके पास संयुक्त सामान्यता है, तो दो चरण अभी भी सुसंगत है, लेकिन अब अधिक कुशल नहीं है, खासकर movestay के सापेक्ष। हालांकि, अगर आपके पास केवल सामान्य ज्ञान नहीं है, तो दो चरण स्थिर रहता है, जबकि FIML दृष्टिकोण नहीं हैं। संक्षेप में, FIML और LIML दृष्टिकोण आम तौर पर भिन्न होंगे क्योंकि उनके पास काम करने के लिए अलग-अलग जानकारी है, जैसा कि मैंने उदाहरण के साथ नीचे दिखाया है मुझे लगता है कि यह प्रश्न समझाता है (1)। अब (2) के लिए जहां तक ​​मुझे पता है, हेकमान या movestay का कोई ऑफ-द शेल्फ पैनल संस्करण नहीं है। हालांकि दोनों आपको पैनल आईडी पर मानक त्रुटियों को क्लस्टर करने की अनुमति देते हैं यह बिल्कुल सही नहीं है, लेकिन यह काफी अच्छा हो सकता है। वहाँ भी gllamm का उपयोग कर इसे हैक करने के लिए एक तरीका हो सकता है यद्यपि मैंने कभी ऐसा नहीं किया है क्योंकि यह गैर-तुच्छ दिखता है। यहां पर कुछ और नोट्स के बारे में कुछ कमेंटिस्ट थ्रेड्स हैं। मैं वास्तव में (2) के दूसरे हिस्से का जवाब नहीं दे रहा हूं क्योंकि यह मेरे लिए स्पष्ट नहीं है कि कैसे निश्चित प्रभाव मॉडल में प्रवेश करते हैं और वे यूनियन सदस्यता से कैसे संबंधित हैं। पैनल के तरीकों के साथ जो मैंने ऊपर सुझाव दिया था, आप दो रेग्युसेक्टर्स में विभिन्न पैरामीटर का अनुमान लगाते हैं। अपने मॉडल के ब्योरे के आधार पर, आपको उपकरण की ज़रूरत भी नहीं हो सकती है, अगर आप पागल प्रभाव को दूर कर सकते हैं। विवरण आपके डेटा और मॉडल पर निर्भर करते हैं। अंत में, आप उपकरण (ओं) को जोड़ने के लिए अपने नोटेशन को बदलने पर विचार कर सकते हैं (कुछ जो यूनियन सदस्यता को बदल देती है, लेकिन सीधे मजदूरी से संबंधित नहीं है) और निश्चित प्रभाव इसमें कुछ कोड दिखाता है जो movestay और heckman mle समानता दिखाता है, साथ में समस्या (1) में है। मैं पब्लिक्यूनियन और प्राइवेट सेक्टरों में अंतर्जात भागीदारी के साथ वेतन को मॉडलिंग कर रहा हूं। मेरे उपकरण वैवाहिक स्थिति और घर में नौकरी धारकों की संख्या है। वे बहुत अच्छे नहीं होने की संभावना है। यह उत्पादन होता है: रियोस यूनियन प्रभाव हैं। rho0 सकारात्मक और महत्वपूर्ण है, इसलिए सार्वजनिक क्षेत्र में काम करने का चयन करने वाले लोग इस नमूने से यादृच्छिक व्यक्ति की तुलना में उस क्षेत्र में कम वेतन अर्जित करते हैं। निजी क्षेत्र में काम करने वालों में यादृच्छिक व्यक्ति से बेहतर या बुरा नहीं होता है संकेत एक स्पर्श प्रतिमान हैं, लेकिन स्टेटा कोड के लेखकों ने आरओ को नकारात्मक के रूप में पैरामीटेट किया है (देखें कन्वर्शल उम्मीदें मूवस्टे कागज का हिस्सा)। तीन समीकरणों की संयुक्त स्वतंत्रता के लिए संभावना-अनुपात परीक्षण आउटपुट की अंतिम पंक्ति में सूचित किया गया है। फ्रॉन्स्लास्ड पैरामीटर सहायक होते हैं I कुछ लोग लेम्डा पाने के लिए Rho और सिग्मा को गुणा करना पसंद करते हैं, डेल्टा विधि का उपयोग करके मानक त्रुटियों का अनुमान लगाया जाता है। अब आप हेकमान का उपयोग कर एक ही अनुमान प्राप्त कर सकते हैं (हालांकि, rho पर हस्ताक्षर और दो उपकरणों flips क्योंकि कमांड अलग-अलग parameterized है)। आपको एक ही नकारात्मक प्रभाव दिखाई देता है: दो चरणों का प्रयोग करके परिणाम को मारता है: अब हम दूसरे समीकरण को दोहराते हैं, इसी तरह के परिणाम के साथ: नोटिस: आईडीआरई सांख्यिकीय परामर्श समूह वेबसाइट को फरवरी में वर्डप्रेस सीएमएस के लिए रखरखाव और सृजन की सुविधा के लिए माइग्रेट करेगा नई सामग्री का हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि उन्हें अब बनाए रखा नहीं जाएगा हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च एंड एजुकेशन फॉर डिजिटल रिसर्च एंड एजुकेशन में आपका स्वागत है एक उपहार देने के लिए स्टेट कंसल्टेंसी ग्रुप द्वारा उपहार देने के लिए स्टेटा पाठ्यपुस्तक के उदाहरण, जेफरी एम। वूल्रिड्ज द्वारा क्रॉस सेक्शन और पैनल डेटा का इकोनमेट्रिक विश्लेषण अध्याय 17: नमूना चयन, एट्रिशन, और स्ट्रेटेड नमूनाकरण इस पाठ के उदाहरणों को स्ताता वेब साइट से ज़िप फ़ाइल में डाउनलोड किया जा सकता है। फिर आप डेटा फ़ाइलों को खोलने के लिए एक प्रोग्राम जैसे ज़िप का उपयोग कर सकते हैं उदाहरण 17.6 पृष्ठ 565 पर mroz. dta का उपयोग करते हुए पृष्ठ 568 पर उदाहरण 17.7 mroz. dta का उपयोग करते हुए इस वेब साइट की सामग्री को कैलिफोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए।