Properti standar bivariat normal dan probabilitas kondisional tersirat dalam model Roy

8

Maaf untuk judul yang panjang, tetapi masalah saya cukup spesifik dan sulit dijelaskan dalam satu judul.

Saat ini saya belajar tentang Model Roy (analisis efek pengobatan).

Ada satu langkah derivasi pada slide saya, yang saya tidak mengerti.

Kami menghitung hasil yang diharapkan dengan pengobatan dalam kelompok tretment (dummy D adalah pengobatan atau bukan pengobatan). Ini ditulis sebagai

E[Y1|D=1]

sejak Y1=μ1+U1 ini dapat ditulis ulang sebagai

E[Y1|D=1]=E[μ1+U1|D=1]=μ1+E[U1|D=1]
sebelum kami juga mengatakan, itu D=1 jika Y1>Y0 jadi berikut:

Y1-Y0>0

μ1+U1-(μ0-U0)>0

(μ1+U1)/σ-(μ0-U0)/σ>0

Z-ϵ>0

begitu D=1 jika ϵ<Z

Karena itu ia berpendapat, bahwa

E[Y1|D=1]=μ1+E[U1|ϵ<Z]

Lebih lanjut diketahui, bahwa

[U1U0ϵ]=N([000],[σ12σ10σ1ϵσ10σ02σ0ϵσ1ϵσ0ϵσϵ2])

oleh karena itu berikut: P(D=1)=P(ϵ<Z)=Φ(Z)

Jadi sekarang pertanyaan saya, slide mengatakan, itu

μ1-E[U1|ϵ<Z]=μ1-σ1ϵϕ(Z)Φ(Z)
Dan saya tidak mengerti kenapa?

Saya tahu, bahwa jika dua variabel acak mengikuti distribusi normal bivariat standar: E[kamu1|kamu2)=ρkamu2

begitu E[kamu1|kamu2>c)=E[ρkamu2|kamu2>c]=ρE[kamu2|kamu2>c)=ρϕ(c)1-Φ(c)

Karena itu saya akan mengharapkan "plus" dan bukan tanda minus? Juga mengapa kita menggunakan kovariansσ1ϵ dan bukan korelasinya ρ? Jadi saya akan mengharapkan sesuatu seperti

μ1-E[U1|ϵ<Z]=μ1+ρϕ(Z)Φ(Z)

Saya menyadari fakta, bahwa jika saya melakukan pemotongan dari atas 1-Φ(c) menjadi a Φ(c).

Ivanov
sumber

Jawaban:

8

Pertama, dalam model Roy, σε2 dinormalisasi menjadi 1untuk alasan identifikasi (lihat Cameron dan Trivedi: Mikroekonometrik: metode dan aplikasi). Saya akan mempertahankan normalisasi ini setelahnya. Untuk menjawab pertanyaan Anda, mari tunjukkan

E(U1ε<Z)=-σ1εϕ(Z)Φ(Z)
pertama. Siniϕ dan Φadalah pdf dan cdf dari distribusi normal standar, masing-masing. Catat itu
E(U1ε<Z)=E(E(U1ε)ε<Z)
oleh hukum harapan berulang. Vektor(U1,ε) adalah normal bivariat dengan mean (0,0) dan matriks kovarians
[σ12σ1ϵ1].
Berarti bersyarat E(U1ε)=σ1εε (catat bahwa kovarians bukan korelasi muncul di sini karena σε2=1). Jadi,
E(U1ε<Z)=σ1εE(εε<Z).
Fungsi kepadatan εε<Z adalah
f(εε<Z)={ϕ(ε)Φ(Z),-<ε<Z;0,εZ.
Berarti bersyarat E(εε<Z) adalah
E(εε<Z)=-Ztϕ(t)Φ(Z)dt=1Φ(Z)-Zt12πexp(-12t2)dt=-1Φ(Z)-Zt{12πexp(-12t2)}dt=-1Φ(Z)(ϕ(Z)-ϕ(-)).
Perhatikan bagaimana tanda negatif keluar. Jadi,E(εε<Z)=-ϕ(Z)/Φ(Z), dan kesimpulannya berikut.
semibruin
sumber
Saya mencoba untuk memberi Anda hadiah, tetapi dikatakan: "Anda dapat memberikan hadiah Anda dalam 18 jam". Ingatkan saya, jika saya lupa :-)
Stat Tistician
Terima kasih atas penghargaan Anda, dan saya senang posting ini membantu.
semibruin