Decomposição salarial - Danielle Carusi Machado

Decomposição salarial
DFL
Aula 19 de maio de 2015
Densidade de Kernel
• Análogo amostral da função densidade de probabilidade.
• h é a janela (bandwith) – função K
• As estimações das densidades via kernel smoothing têm
sido frequentemente utilizadas em investigações relativas à
mudança no padrão de distribuição de renda.
• Permite a visualização de “fotografias” da distribuição
estimada dos rendimentos em períodos distintos,
sinalizando possíveis mudanças na estrutura dos dados.
Densidade de Kernel
• Os estimadores kernel são “alisamentos” de
histogramas.
• Somente os dados situados em uma
determinada “vizinhança” do ponto x (onde a
densidade é estimada) tem peso grande na
estimação da densidade naquele ponto.
• “os dados falam por si mesmos” – não
paramétrico.
DFL
• K é a função núcleo
• Os núcleos mais utilizados são o uniforme, o
gaussiano e o de Epanechnikov
• Escolha é uma decisão ad hoc do econometrista,
que deve levar em conta a natureza da variável.
• DFL: núcleo gaussiano.
• Escolha da janela: viés entre média e variância
(janelas maiores – maior viés e menor variância).
• Baixa suavização – h= 0,05 – testar ir
aumentando!
Exemplo: Estimativa da densidade kernel para a
renda domiciliar per capita – 1987 e 2005
Método Dinardo, Fortin e Lemieux
(1996)
• Método semiparamétrico
• A metodologia permite visualizar claramente a
função de densidade da variável escolhida.
• Permite observar as alterações que ocorreriam
nessa distribuição caso as características da
população fossem alteradas, mantida fixa a
estrutura.
• Estimar e analisar distribuições de
probabilidade contrafactuais.
DFL
• O método compreende duas etapas:
1) a primeira, paramétrica, que resume-se à
construção de funções de reponderação,
2) a segunda, não paramétrica, que consiste na
estimação, baseada em funções núcleo, de
funções de densidade.
Método Dinardo, Fortin e Lemieux
(1996)
• Cada observação de salário de uma dada
distribuição é um vetor composto pelo salário,
um conjunto de atributos individuais e o
subscrito do tempo:
wi  wi , z, t 
DFL
• Distribuição observada dos salários em t é
vista como distribuição conjunta dos
atributos:
f t w  f w, z / t w ; mt 
mt - salário mínimo
• Distribuição dos atributos individuais no
tempo tz:
F z / t z 
DFL
• A densidade dos salário é igual a:
• A densidade marginal do salário em t:
integração da densidade conjunta sobre os
atributos em z, condicionado no tempo e no
valor do salário mínimo.
DFL
• Distribuição observada dos salários em 1988,
condicionada nos valores dos atributos z em
1988 e no valor do salário mínimo em 1988.
• Distribuição contrafactual dos salários em
1988, condicionada nos valores dos atributos z
em 1979 e no valor do salário mínimo em
1988.
DFL
• Hipótese: estrutura de salário de 1988 não
depende da distribuição dos atributos.
Função peso
DFL
• Função peso/reponderação: “transformação”
dos atributos de 1979 em 1988.
• Razão da massa de probabilidade de cada
ponto z no ano de 1979 relativamente ao ano
de 1988.
DFL
• Aplicação da Regra de Bayes:
Pode ser estimada!
DFL
• Como estimar:
– Juntar os dados dos dois anos
– Estimar um probit da probabilidade de estar em
um ano dados os atributos individuais:
– A estimativa de
observação.
forma o
para cada
Dados NLSY 1979
O impacto da escolaridade sobre a distribuição de renda – Salvato et all
(2010). Estudos Econômicos.