Capítulo 22 Endogeneidad: práctica

← Volver a la teoría

22.1 Objetivos de la práctica

Al finalizar esta práctica podrás:

  1. Simular un caso donde una variable omitida sesga MCO.
  2. Comparar un modelo corto y un modelo largo.
  3. Mostrar sesgo de atenuación por error de medición en un regresor.
  4. Reproducir el ejercicio en R, Stata y Python.
  5. Interpretar por qué el problema no se resuelve solo con errores robustos.

22.2 Pregunta aplicada

Queremos estudiar el retorno de la educación sobre salarios. La pregunta aplicada es:

¿Qué pasa si educación está relacionada con habilidad no observada y omitimos esa habilidad de la regresión?

El modelo verdadero de la simulación será:

\[ \log(salario_i)=\beta_0+\beta_1educ_i+\beta_2habilidad_i+\epsilon_i. \]

22.3 Datos

Creamos datos reproducibles. La habilidad afecta salarios y también está relacionada con educación.

n_end <- 200
i_end <- 1:n_end
habilidad <- scale(sin(i_end / 7) + cos(i_end / 11))[, 1]
educ <- 11 + 1.2 * habilidad + 0.6 * sin(i_end / 5)
epsilon <- 0.25 * sin(i_end / 3)
lwage <- 1.5 + 0.08 * educ + 0.35 * habilidad + epsilon

datos_end <- data.frame(
  lwage = lwage,
  educ = educ,
  habilidad = habilidad
)

kable(head(datos_end, 12), digits = 3, caption = "Primeras observaciones de la base de endogeneidad")
Tabla 22.1: Primeras observaciones de la base de endogeneidad
lwage educ habilidad
2.926 12.342 1.019
3.060 12.597 1.136
3.171 12.827 1.240
3.250 13.026 1.330
3.294 13.187 1.402
3.301 13.305 1.454
3.271 13.375 1.487
3.210 13.396 1.497
3.124 13.365 1.484
3.022 13.284 1.448
2.913 13.152 1.389
2.806 12.974 1.307
ggplot(datos_end, aes(x = educ, y = habilidad)) +
  geom_point(color = "#2f4858", size = 2.4) +
  geom_smooth(method = "lm", se = FALSE, color = "#C0562F", linewidth = 1) +
  labs(x = "Educación", y = "Habilidad no observada") +
  theme_minimal()
Relación entre educación y habilidad en la simulación

Figura 22.1: Relación entre educación y habilidad en la simulación

22.4 Estimación en R

Estimamos primero un modelo corto que omite habilidad y luego el modelo largo que sí la incluye.

modelo_corto_end <- lm(lwage ~ educ, data = datos_end)
modelo_largo_end <- lm(lwage ~ educ + habilidad, data = datos_end)

tabla_corto_end <- coef(summary(modelo_corto_end))
tabla_largo_end <- coef(summary(modelo_largo_end))

beta_educ_corto_end <- unname(coef(modelo_corto_end)[["educ"]])
beta_educ_largo_end <- unname(coef(modelo_largo_end)[["educ"]])
se_educ_corto_end <- tabla_corto_end["educ", "Std. Error"]
se_educ_largo_end <- tabla_largo_end["educ", "Std. Error"]
beta_hab_largo_end <- unname(coef(modelo_largo_end)[["habilidad"]])
cor_educ_hab_end <- cor(datos_end$educ, datos_end$habilidad)
sesgo_observado_end <- beta_educ_corto_end - beta_educ_largo_end

kable(
  data.frame(
    modelo = c("Corto: omite habilidad", "Largo: incluye habilidad"),
    beta_educacion = c(beta_educ_corto_end, beta_educ_largo_end),
    error_estandar = c(se_educ_corto_end, se_educ_largo_end)
  ),
  digits = 4,
  caption = "Comparación entre modelo corto y modelo largo"
)
Tabla 22.2: Comparación entre modelo corto y modelo largo
modelo beta_educacion error_estandar
Corto: omite habilidad 0.3426 0.0116
Largo: incluye habilidad 0.0938 0.0294

Ahora simulamos error de medición clásico en educación.

error_medicion <- 0.8 * sin(i_end / 4)
datos_end$educ_medida <- datos_end$educ + error_medicion

modelo_medicion_end <- lm(lwage ~ educ_medida + habilidad, data = datos_end)
tabla_medicion_end <- coef(summary(modelo_medicion_end))
beta_educ_medida_end <- unname(coef(modelo_medicion_end)[["educ_medida"]])
se_educ_medida_end <- tabla_medicion_end["educ_medida", "Std. Error"]

kable(
  data.frame(
    modelo = c("Educación verdadera", "Educación medida con error"),
    beta_educacion = c(beta_educ_largo_end, beta_educ_medida_end),
    error_estandar = c(se_educ_largo_end, se_educ_medida_end)
  ),
  digits = 4,
  caption = "Sesgo de atenuación por error de medición en educación"
)
Tabla 22.3: Sesgo de atenuación por error de medición en educación
modelo beta_educacion error_estandar
Educación verdadera 0.0938 0.0294
Educación medida con error 0.0239 0.0186

22.5 Interpretación

La correlación entre educación y habilidad es 0.943. Al omitir habilidad, la pendiente de educación es 0.343; al incluirla, es 0.094.

La diferencia entre ambas pendientes es 0.249. Esa diferencia ilustra el sesgo por variable omitida en esta base simulada. Cuando medimos educación con error, la pendiente cae a 0.024, consistente con la intuición del sesgo de atenuación.

En datos reales, normalmente no observamos habilidad. La comparación corto/largo aquí es pedagógica: muestra el mecanismo del sesgo, no una receta automática para resolverlo.

22.6 Estimación en Stata

El ejercicio puede reproducirse en Stata:

clear
set obs 200
gen i = _n
gen habilidad = sin(i/7) + cos(i/11)
summ habilidad
replace habilidad = (habilidad - r(mean)) / r(sd)
gen educ = 11 + 1.2 * habilidad + 0.6 * sin(i/5)
gen epsilon = 0.25 * sin(i/3)
gen lwage = 1.5 + 0.08 * educ + 0.35 * habilidad + epsilon

reg lwage educ
reg lwage educ habilidad

gen educ_medida = educ + 0.8 * sin(i/4)
reg lwage educ_medida habilidad

Los resultados esperados son los mismos coeficientes que Stata debe reproducir si usa la misma base y especificación:

Modelo Pendiente educación aproximada Error estándar aproximado
Corto 0.343 0.012
Largo 0.094 0.029
Con educación medida con error 0.024 0.019

22.7 Estimación en Python y Google Colab

Para correr esta práctica en Google Colab:

!pip -q install pandas numpy statsmodels matplotlib seaborn

Luego ejecuta:

import numpy as np
import pandas as pd
import statsmodels.api as sm

n = 200
i = np.arange(1, n + 1)
habilidad = np.sin(i / 7) + np.cos(i / 11)
habilidad = (habilidad - habilidad.mean()) / habilidad.std(ddof=1)
educ = 11 + 1.2 * habilidad + 0.6 * np.sin(i / 5)
epsilon = 0.25 * np.sin(i / 3)
lwage = 1.5 + 0.08 * educ + 0.35 * habilidad + epsilon
datos = pd.DataFrame({"lwage": lwage, "educ": educ, "habilidad": habilidad})

corto = sm.OLS(datos["lwage"], sm.add_constant(datos[["educ"]])).fit()
largo = sm.OLS(datos["lwage"], sm.add_constant(datos[["educ", "habilidad"]])).fit()

datos["educ_medida"] = datos["educ"] + 0.8 * np.sin(i / 4)
medicion = sm.OLS(datos["lwage"], sm.add_constant(datos[["educ_medida", "habilidad"]])).fit()

print(corto.summary())
print(largo.summary())
print(medicion.summary())

Los resultados esperados son los mismos coeficientes que Python debe reproducir si usa la misma base y especificación.

22.8 Comparación R, Stata y Python

Los tres programas muestran el mismo fenómeno: cuando una variable omitida está correlacionada con educación y afecta salarios, el modelo corto no estima el mismo parámetro que el modelo largo.

Tarea R Stata Python
Modelo corto lm(lwage ~ educ) reg lwage educ sm.OLS(y, X).fit()
Modelo largo lm(lwage ~ educ + habilidad) reg lwage educ habilidad sm.OLS(y, X_largo).fit()
Error de medición crear educ_medida gen educ_medida crear columna en pandas

22.9 Errores frecuentes en la práctica

  • Pensar que robustos corrigen endogeneidad. Los errores robustos corrigen varianzas, no correlación entre \(X\) y \(\epsilon\).
  • Agregar controles sin teoría. Un control mal elegido puede cambiar la interpretación o introducir sesgo.
  • Confundir correlación con identificación. Que educación prediga salarios no implica que la pendiente sea causal.
  • Olvidar el error de medición. Medir mal un regresor puede sesgar el coeficiente incluso si el modelo conceptual es correcto.

22.10 Ejercicios computacionales

  1. Cambia la relación entre habilidad y educación. ¿Cómo cambia el sesgo del modelo corto?
  2. Cambia el efecto de habilidad sobre salarios. ¿Qué pasa con la diferencia entre modelo corto y largo?
  3. Aumenta la magnitud del error de medición en educación. ¿Qué ocurre con la pendiente?
  4. Reproduce el ejercicio en Stata o Python y verifica que los coeficientes coincidan con R.
  5. Resuelve las partes A, B y E del Problem Set 4: Endogeneidad y variables instrumentales.