Hoy en día, la mayoría de la gente realiza regresiones salariales condicionadas a estar empleado en lugar de utilizar los modelos de selección de Heckman. Entonces, ¿cuáles son sus inconvenientes y por qué este enfoque pasó de moda?
Respuesta
¿Demasiados anuncios?
Creo que es porque los modelos de selección de Heckman tienen desventajas en comparación con los modelos más modernos.
El estimador de dos pasos de Heckman es un estimador de máxima verosimilitud con información limitada. En la teoría asintótica y en muestras finitas, el estimador de información completa (FIML) presenta mejores propiedades estadísticas ( fuente ). El FIML es más difícil desde el punto de vista computacional, pero eso ya no es un problema con los PC modernos (hoy en día es fácil conseguir un PC con mucha RAM).
El modelo canónico asume que los errores son conjuntamente normales. Si ese supuesto falla, el estimador es generalmente inconsistente y puede proporcionar una inferencia engañosa en muestras pequeñas ( fuente ).
El modelo obtiene una identificación formal a partir del supuesto de normalidad cuando las mismas covariables aparecen en la ecuación de selección y en la ecuación de interés, pero la identificación será tenue a menos que haya muchas observaciones en las colas en las que haya una no linealidad sustancial en la relación inversa de Mills. En general, se requiere una restricción de exclusión para generar estimaciones creíbles: debe haber al menos una variable que aparezca con un coeficiente distinto de cero en la ecuación de selección pero que no aparezca en la ecuación de interés, esencialmente un instrumento. Si no se dispone de dicha variable, puede ser difícil corregir la selectividad del muestreo ( fuente ).
Hoy en día se pueden estimar modelos que no sufren los problemas anteriores. La mayor ventaja del modelo de Heckman era que era fácil de estimar desde el punto de vista computacional, pero a medida que el hardware mejoró, esta ventaja dejó de serlo.
