Capítulo 24 Variables instrumentales: práctica

← Volver a la teoría

24.1 Objetivos de la práctica

Al finalizar esta práctica podrás:

  1. Simular un problema de educación endógena en una ecuación de salarios.
  2. Estimar MCO, primera etapa y 2SLS manual en R.
  3. Calcular e interpretar el estadístico \(F\) de primera etapa.
  4. Reproducir el ejercicio en Stata y Python.
  5. Comparar qué variación usa MCO y qué variación usa IV.

24.2 Pregunta aplicada

Queremos estimar el retorno de la educación sobre salarios cuando educación está correlacionada con habilidad no observada.

¿Podemos usar una variable de cercanía a la universidad para aislar variación en educación que no dependa directamente de habilidad?

24.3 Datos

Creamos una base reproducible. La variable cercania actúa como instrumento: afecta educación, pero en la simulación no entra directamente en salarios.

n_iv <- 300
i_iv <- 1:n_iv
habilidad_iv <- scale(sin(i_iv / 9) + cos(i_iv / 13))[, 1]
cercania <- scale(cos(i_iv / 17) + sin(i_iv / 6))[, 1]
educ_iv <- 12 + 0.9 * cercania + 0.8 * habilidad_iv + 0.4 * sin(i_iv / 5)
epsilon_iv <- 0.25 * sin(i_iv / 4)
lwage_iv <- 1.2 + 0.10 * educ_iv + 0.45 * habilidad_iv + epsilon_iv

datos_iv <- data.frame(
  lwage = lwage_iv,
  educ = educ_iv,
  cercania = cercania,
  habilidad = habilidad_iv
)

kable(head(datos_iv, 12), digits = 3, caption = "Primeras observaciones de la base de variables instrumentales")
Tabla 24.1: Primeras observaciones de la base de variables instrumentales
lwage educ cercania habilidad
3.119 13.981 1.207 1.019
3.247 14.271 1.362 1.112
3.363 14.537 1.504 1.197
3.460 14.772 1.630 1.272
3.536 14.969 1.736 1.338
3.588 15.123 1.818 1.393
3.615 15.228 1.873 1.436
3.615 15.283 1.900 1.466
3.590 15.283 1.898 1.483
3.541 15.230 1.865 1.486
3.472 15.124 1.801 1.475
3.384 14.968 1.709 1.450
ggplot(datos_iv, aes(x = cercania, y = educ)) +
  geom_point(color = "#2f4858", size = 2.3) +
  geom_smooth(method = "lm", se = FALSE, color = "#C0562F", linewidth = 1) +
  labs(x = "Cercanía a universidad", y = "Educación") +
  theme_minimal()
Primera etapa: cercanía a universidad y educación

Figura 24.1: Primera etapa: cercanía a universidad y educación

24.4 Estimación en R

Estimamos MCO, primera etapa y 2SLS manual.

mco_iv <- lm(lwage ~ educ, data = datos_iv)
primera_iv <- lm(educ ~ cercania, data = datos_iv)
datos_iv$educ_hat <- fitted(primera_iv)
iv_manual <- lm(lwage ~ educ_hat, data = datos_iv)

tabla_mco_iv <- coef(summary(mco_iv))
tabla_primera_iv <- coef(summary(primera_iv))
tabla_iv_manual <- coef(summary(iv_manual))

beta_mco_iv <- unname(coef(mco_iv)[["educ"]])
se_mco_iv <- tabla_mco_iv["educ", "Std. Error"]
pi_cercania_iv <- unname(coef(primera_iv)[["cercania"]])
se_pi_cercania_iv <- tabla_primera_iv["cercania", "Std. Error"]
t_primera_iv <- pi_cercania_iv / se_pi_cercania_iv
f_primera_iv <- as.numeric(t_primera_iv^2)
r2_primera_iv <- summary(primera_iv)$r.squared
beta_iv_manual <- unname(coef(iv_manual)[["educ_hat"]])
se_iv_manual <- tabla_iv_manual["educ_hat", "Std. Error"]

kable(
  data.frame(
    modelo = c("MCO", "Primera etapa", "2SLS manual"),
    coeficiente_clave = c(beta_mco_iv, pi_cercania_iv, beta_iv_manual),
    error_estandar = c(se_mco_iv, se_pi_cercania_iv, se_iv_manual)
  ),
  digits = 4,
  caption = "MCO, primera etapa y 2SLS manual en R"
)
Tabla 24.2: MCO, primera etapa y 2SLS manual en R
modelo coeficiente_clave error_estandar
MCO 0.3394 0.0178
Primera etapa 0.8992 0.0498
2SLS manual 0.1023 0.0362

También podemos escribir 2SLS con matrices. Usamos \(Z=[1,cercania]\) y \(X=[1,educ]\).

y_iv <- matrix(datos_iv$lwage, ncol = 1)
X_iv <- cbind(1, datos_iv$educ)
Z_iv <- cbind(1, datos_iv$cercania)
Pz_iv <- Z_iv %*% solve(t(Z_iv) %*% Z_iv) %*% t(Z_iv)
beta_2sls_mat <- solve(t(X_iv) %*% Pz_iv %*% X_iv) %*% t(X_iv) %*% Pz_iv %*% y_iv
beta_2sls_matriz_iv <- as.numeric(beta_2sls_mat[2, 1])
ggplot(datos_iv, aes(x = educ_hat, y = lwage)) +
  geom_point(color = "#2f4858", size = 2.3) +
  geom_smooth(method = "lm", se = FALSE, color = "#C0562F", linewidth = 1) +
  labs(x = "Educación predicha por el instrumento", y = "Log salario") +
  theme_minimal()
Educación predicha por el instrumento y log salario

Figura 24.2: Educación predicha por el instrumento y log salario

24.5 Interpretación

La pendiente MCO de educación es 0.339. La pendiente 2SLS manual es 0.102. En esta simulación, la diferencia aparece porque educación está correlacionada con habilidad no observada.

La primera etapa estima un efecto de cercanía sobre educación de 0.899. El estadístico \(F\) de primera etapa es 326.32 y el \(R^2\) de primera etapa es 0.523.

El error estándar del 2SLS manual no debe usarse como error estándar final en una aplicación real. Sirve para entender el cálculo. En Stata, Python o R con paquetes especializados se debe usar una rutina IV que ajuste la matriz de varianza.

24.6 Estimación en Stata

El mismo ejercicio puede reproducirse en Stata:

clear
set obs 300
gen i = _n
gen habilidad = sin(i/9) + cos(i/13)
summ habilidad
replace habilidad = (habilidad - r(mean)) / r(sd)
gen cercania = cos(i/17) + sin(i/6)
summ cercania
replace cercania = (cercania - r(mean)) / r(sd)
gen educ = 12 + 0.9*cercania + 0.8*habilidad + 0.4*sin(i/5)
gen epsilon = 0.25*sin(i/4)
gen lwage = 1.2 + 0.10*educ + 0.45*habilidad + epsilon

reg lwage educ
reg educ cercania
ivregress 2sls lwage (educ = cercania), first
estat firststage

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

Modelo Coeficiente clave aproximado Error estándar aproximado
MCO: educación 0.339 0.018
Primera etapa: cercanía 0.899 0.050
2SLS manual: educación predicha 0.102 0.036
\(F\) primera etapa 326.32

24.7 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 = 300
i = np.arange(1, n + 1)
habilidad = np.sin(i / 9) + np.cos(i / 13)
habilidad = (habilidad - habilidad.mean()) / habilidad.std(ddof=1)
cercania = np.cos(i / 17) + np.sin(i / 6)
cercania = (cercania - cercania.mean()) / cercania.std(ddof=1)
educ = 12 + 0.9*cercania + 0.8*habilidad + 0.4*np.sin(i / 5)
epsilon = 0.25*np.sin(i / 4)
lwage = 1.2 + 0.10*educ + 0.45*habilidad + epsilon
datos = pd.DataFrame({"lwage": lwage, "educ": educ, "cercania": cercania})

mco = sm.OLS(datos["lwage"], sm.add_constant(datos[["educ"]])).fit()
primera = sm.OLS(datos["educ"], sm.add_constant(datos[["cercania"]])).fit()
datos["educ_hat"] = primera.fittedvalues
iv_manual = sm.OLS(datos["lwage"], sm.add_constant(datos[["educ_hat"]])).fit()

print(mco.summary())
print(primera.summary())
print(iv_manual.summary())
print("F primera etapa:", float(primera.tvalues["cercania"]**2))

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

24.8 Comparación R, Stata y Python

R, Stata y Python coinciden en la primera etapa y en los coeficientes si usan la misma base. Para inferencia final en IV, Stata y paquetes especializados ajustan los errores estándar de 2SLS; la segunda etapa manual es pedagógica.

Tarea R Stata Python
MCO lm(lwage ~ educ) reg lwage educ sm.OLS()
Primera etapa lm(educ ~ cercania) reg educ cercania sm.OLS(educ, Z)
2SLS matriz o paquetes ivregress 2sls matriz o paquetes
\(F\) primera etapa \(t^2\) si hay un instrumento estat firststage tvalues^2

24.9 Errores frecuentes en la práctica

  • Confundir primera etapa fuerte con instrumento válido. La fuerza habla de relevancia, no de exogeneidad.
  • Usar errores estándar de una segunda etapa manual. Sirve para aprender, no para reportar inferencia final.
  • No reportar primera etapa. Sin primera etapa, el lector no puede evaluar relevancia.
  • Olvidar el canal directo. Si el instrumento afecta \(y\) por un canal distinto a \(X\), viola exogeneidad.

24.10 Ejercicios computacionales

  1. Reduce el coeficiente de cercania en la ecuación de educación. ¿Qué ocurre con el \(F\) de primera etapa?
  2. Haz que cercania afecte directamente lwage. ¿Qué supuesto se viola?
  3. Compara MCO, 2SLS manual y el estimador matricial.
  4. Reproduce el ejercicio en Stata o Python.
  5. Resuelve las partes C, D y F del Problem Set 4: Endogeneidad y variables instrumentales.