Дробові результати є поширеним явищем. Ви можете моделювати рівень участі в пенсійному плані 401(k), рівень проходження стандартизованих тестів, частки витрат тощо.
Моделі дробового відгуку – це гнучкий та інтуїтивно зрозумілий спосіб моделювання результатів, які лежать між 0 і 1. Вони не мають проблеми лінійних моделей, які дають прогнози за межами 0 і 1, або проблеми лог-мовірнісних моделей, які не визначені в точках 0 і 1. Моделі дробового відгуку можна підігнати за допомогою команди fracreg.
Що робити, якщо ви стурбовані тим, що одна або кілька коваріатів вашої моделі є ендогенними? За допомогою нової команди ivfprobit ви можете підігнати модель для дробової залежної змінної і врахувати ендогенність однієї або декількох коваріатів.
Подивимося, як це працює
Ми хочемо дослідити рівень участі в 401(k) (prate). Ми вважаємо, що розмір корпоративної зайнятості (ltotemp) та її квадрат є визначальними факторами рівня участі, так само як і показник того, чи є 401(k) єдиним пенсійним планом (sole), та коефіцієнт відповідності плану (mrate). Ми вважаємо, однак, що коефіцієнт збігу планів є ендогенним. Іншими словами, існують неспостережувані детермінанти рівня участі, які також впливають на коефіцієнт збігу планів. Наприклад, коефіцієнт відповідності та рівень участі можуть бути пов’язані з галузевими та регіональними практиками, які не спостерігаються в даних. Щоб вирішити проблему ендогенності, ми вимірюємо коефіцієнт відповідності за допомогою віку програми (age) та її квадрата.
Ми вводимо
. ivfprobit prate c.ltotemp##c.ltotemp i.sole (mrate = c.age##c.age)
У дужках наведено ендогенні змінні разом з інструментальними змінними, які ми використовували для їх моделювання. Поза дужками – екзогенні змінні, які безпосередньо впливають на прат. Ми отримали
Ми бачимо позитивний вплив коефіцієнта відповідності на рівень участі. Крім того, ми бачимо, що оцінена кореляція між неспостережуваними змінними, corr(e.mrate, e.prate), відмінна від нуля. Це означає, що існують докази на підтримку нашої гіпотези про ендогенність.