21 |
The Effects of Over-reporting and Under-reporting Response Bias on the Personality Inventory for DSM-5 (PID-5)McGee, Sarah A. 05 December 2013 (has links)
Accurate self-report assessment of psychopathology depends on individuals responding honestly and accurately. Some respondents, however, may respond in a manner not representative of their traits/symptoms. The MMPI-2-RF contains “validity” scales to detect elevations on over-reporting (OR) or under-reporting (UR) scales which typically correspond to elevations on MMPI-2-RF substantive scales and on instruments administered alongside the MMPI-2-RF. We examined effects of OR and UR on the Personality Inventory for DSM-5 (PID-5); a self-report instrument that assesses 25 pathological traits used with other diagnostic criteria to diagnose personality disorders (PDs) in Section III of the DSM-5. Using MMPI-2-RF validity scale scores, 908 students and 255 psychiatric outpatients were classified into OR, UR or within normal limit response groups. Significant group differences were found such that differences in the frequency of PD diagnosis emerged across response groups. We believe the PID-5 is vulnerable to OR and UR responding, which potentially compromises its validity.
|
22 |
The Effects of Over-reporting and Under-reporting Response Bias on the Personality Inventory for DSM-5 (PID-5)McGee, Sarah A. 05 December 2013 (has links)
Accurate self-report assessment of psychopathology depends on individuals responding honestly and accurately. Some respondents, however, may respond in a manner not representative of their traits/symptoms. The MMPI-2-RF contains “validity” scales to detect elevations on over-reporting (OR) or under-reporting (UR) scales which typically correspond to elevations on MMPI-2-RF substantive scales and on instruments administered alongside the MMPI-2-RF. We examined effects of OR and UR on the Personality Inventory for DSM-5 (PID-5); a self-report instrument that assesses 25 pathological traits used with other diagnostic criteria to diagnose personality disorders (PDs) in Section III of the DSM-5. Using MMPI-2-RF validity scale scores, 908 students and 255 psychiatric outpatients were classified into OR, UR or within normal limit response groups. Significant group differences were found such that differences in the frequency of PD diagnosis emerged across response groups. We believe the PID-5 is vulnerable to OR and UR responding, which potentially compromises its validity.
|
23 |
Détection de l’invalidité et estimation d’un effet causal en présence d’instruments invalides dans un contexte de randomisation mendélienneBoucher-Roy, David 08 1900 (has links)
La randomisation mendélienne est une méthode d’instrumentation utilisant des instruments
de nature génétique afin d’estimer, via par exemple la régression des moindres
carrés en deux étapes, une relation de causalité entre un facteur d’exposition et une réponse
lorsque celle-ci est confondue par une ou plusieurs variables de confusion non mesurées. La
randomisation mendélienne est en mesure de gérer le biais de confusion à condition que les
instruments utilisés soient valides, c’est-à-dire qu’ils respectent trois hypothèses clés. On
peut généralement se convaincre que deux des trois hypothèses sont satisfaites alors qu’un
phénomène génétique, la pléiotropie, peut parfois rendre la troisième hypothèse invalide.
En présence d’invalidité, l’estimation de l’effet causal de l’exposition sur la réponse peut
être sévèrement biaisée. Afin d’évaluer la potentielle présence d’invalidité lorsqu’un seul
instrument est utilisé, Glymour et al. (2012) ont proposé une méthode qu’on dénomme ici
l’approche de la différence simple qui utilise le signe de la différence entre l’estimateur des
moindres carrés ordinaires de la réponse sur l’exposition et l’estimateur des moindres carrés
en deux étapes calculé à partir de l’instrument pour juger de l’invalidité de l’instrument. Ce
mémoire introduit trois méthodes qui s’inspirent de cette approche, mais qui sont applicables
à la randomisation mendélienne à instruments multiples. D’abord, on introduit l’approche
de la différence globale, une simple généralisation de l’approche de la différence simple au cas
des instruments multiples qui a comme objectif de détecter si un ou plusieurs instruments
utilisés sont invalides. Ensuite, on introduit les approches des différences individuelles et des
différences groupées, deux méthodes qui généralisent les outils de détection de l’invalidité
de l’approche de la différence simple afin d’identifier des instruments potentiellement
problématiques et proposent une nouvelle estimation de l’effet causal de l’exposition sur la
réponse. L’évaluation des méthodes passe par une étude théorique de l’impact de l’invalidité
sur la convergence des estimateurs des moindres carrés ordinaires et des moindres carrés
en deux étapes et une simulation qui compare la précision des estimateurs résultant des
différentes méthodes et leur capacité à détecter l’invalidité des instruments. / Mendelian randomization is an instrumentation method that uses genetic instruments
to estimate, via two-stage least squares regression for example, a causal relationship
between an exposure and an outcome when the relationship is confounded by one or more
unmeasured confounders. Mendelian randomization can handle confounding bias provided
that the instruments are valid, i.e., that they meet three key assumptions. While two of
the three assumptions can usually be satisfied, the third assumption is often invalidated
by a genetic phenomenon called pleiotropy. In the presence of invalid instruments, the
estimate of the causal effect of exposure on the outcome may be severely biased. To assess
the potential presence of an invalid instrument in single-instrument studies, Glymour et
al. (2012) proposed a method, hereinafter referred to as the simple difference approach,
which uses the sign of the difference between the ordinary least squares estimator of the
outcome on the exposure and the two-stage least squares estimator calculated using the
instrument. Based on this approach, we introduce three methods applicable to Mendelian
randomization with multiple instruments. The first method is the global difference approach
and corresponds to a simple generalization of the simple difference approach to the case of
multiple instruments that aims to detect whether one or more instruments are invalid. Next,
we introduce the individual differences and the grouped differences approaches, two methods
that generalize the simple difference approach to identify potentially invalid instruments
and provide new estimates of the causal effect of the exposure on the outcome. The methods
are evaluated using a theoretical investigation of the impact that invalid instruments have
on the convergence of the ordinary least squares and two-stage least squares estimators as
well as with a simulation study that compares the accuracy of the respective estimators and
the ability of the corresponding methods to detect invalid instruments.
|
24 |
Exogeneity, weak identification and instrument selection in econometricsDoko Tchatoka, Sabro Firmin 02 1900 (has links)
La dernière décennie a connu un intérêt croissant pour les problèmes posés par les variables instrumentales
faibles dans la littérature économétrique, c’est-à-dire les situations où les variables
instrumentales sont faiblement corrélées avec la variable à instrumenter. En effet, il est bien connu
que lorsque les instruments sont faibles, les distributions des statistiques de Student, de Wald, du
ratio de vraisemblance et du multiplicateur de Lagrange ne sont plus standard et dépendent souvent
de paramètres de nuisance. Plusieurs études empiriques portant notamment sur les modèles de rendements
à l’éducation [Angrist et Krueger (1991, 1995), Angrist et al. (1999), Bound et al. (1995),
Dufour et Taamouti (2007)] et d’évaluation des actifs financiers (C-CAPM) [Hansen et Singleton
(1982,1983), Stock et Wright (2000)], où les variables instrumentales sont faiblement corrélées avec
la variable à instrumenter, ont montré que l’utilisation de ces statistiques conduit souvent à des résultats
peu fiables. Un remède à ce problème est l’utilisation de tests robustes à l’identification [Anderson
et Rubin (1949), Moreira (2002), Kleibergen (2003), Dufour et Taamouti (2007)]. Cependant,
il n’existe aucune littérature économétrique sur la qualité des procédures robustes à l’identification
lorsque les instruments disponibles sont endogènes ou à la fois endogènes et faibles. Cela soulève
la question de savoir ce qui arrive aux procédures d’inférence robustes à l’identification lorsque certaines
variables instrumentales supposées exogènes ne le sont pas effectivement. Plus précisément,
qu’arrive-t-il si une variable instrumentale invalide est ajoutée à un ensemble d’instruments valides?
Ces procédures se comportent-elles différemment? Et si l’endogénéité des variables instrumentales
pose des difficultés majeures à l’inférence statistique, peut-on proposer des procédures de tests qui
sélectionnent les instruments lorsqu’ils sont à la fois forts et valides? Est-il possible de proposer
les proédures de sélection d’instruments qui demeurent valides même en présence d’identification
faible?
Cette thèse se focalise sur les modèles structurels (modèles à équations simultanées) et apporte
des réponses à ces questions à travers quatre essais.
Le premier essai est publié dans Journal of Statistical Planning and Inference 138 (2008)
2649 – 2661. Dans cet essai, nous analysons les effets de l’endogénéité des instruments sur deux
statistiques de test robustes à l’identification: la statistique d’Anderson et Rubin (AR, 1949) et la
statistique de Kleibergen (K, 2003), avec ou sans instruments faibles. D’abord, lorsque le paramètre
qui contrôle l’endogénéité des instruments est fixe (ne dépend pas de la taille de l’échantillon), nous
montrons que toutes ces procédures sont en général convergentes contre la présence d’instruments
invalides (c’est-à-dire détectent la présence d’instruments invalides) indépendamment de leur qualité
(forts ou faibles). Nous décrivons aussi des cas où cette convergence peut ne pas tenir, mais
la distribution asymptotique est modifiée d’une manière qui pourrait conduire à des distorsions de
niveau même pour de grands échantillons. Ceci inclut, en particulier, les cas où l’estimateur des
double moindres carrés demeure convergent, mais les tests sont asymptotiquement invalides. Ensuite,
lorsque les instruments sont localement exogènes (c’est-à-dire le paramètre d’endogénéité
converge vers zéro lorsque la taille de l’échantillon augmente), nous montrons que ces tests convergent
vers des distributions chi-carré non centrées, que les instruments soient forts ou faibles. Nous
caractérisons aussi les situations où le paramètre de non centralité est nul et la distribution asymptotique
des statistiques demeure la même que dans le cas des instruments valides (malgré la présence
des instruments invalides).
Le deuxième essai étudie l’impact des instruments faibles sur les tests de spécification du type
Durbin-Wu-Hausman (DWH) ainsi que le test de Revankar et Hartley (1973). Nous proposons une
analyse en petit et grand échantillon de la distribution de ces tests sous l’hypothèse nulle (niveau)
et l’alternative (puissance), incluant les cas où l’identification est déficiente ou faible (instruments
faibles). Notre analyse en petit échantillon founit plusieurs perspectives ainsi que des extensions
des précédentes procédures. En effet, la caractérisation de la distribution de ces statistiques en petit
échantillon permet la construction des tests de Monte Carlo exacts pour l’exogénéité même avec
les erreurs non Gaussiens. Nous montrons que ces tests sont typiquement robustes aux intruments
faibles (le niveau est contrôlé). De plus, nous fournissons une caractérisation de la puissance des
tests, qui exhibe clairement les facteurs qui déterminent la puissance. Nous montrons que les tests
n’ont pas de puissance lorsque tous les instruments sont faibles [similaire à Guggenberger(2008)].
Cependant, la puissance existe tant qu’au moins un seul instruments est fort. La conclusion de
Guggenberger (2008) concerne le cas où tous les instruments sont faibles (un cas d’intérêt mineur
en pratique). Notre théorie asymptotique sous les hypothèses affaiblies confirme la théorie en échantillon
fini.
Par ailleurs, nous présentons une analyse de Monte Carlo indiquant que: (1) l’estimateur des
moindres carrés ordinaires est plus efficace que celui des doubles moindres carrés lorsque les instruments
sont faibles et l’endogenéité modérée [conclusion similaire à celle de Kiviet and Niemczyk
(2007)]; (2) les estimateurs pré-test basés sur les tests d’exogenété ont une excellente performance
par rapport aux doubles moindres carrés. Ceci suggère que la méthode des variables instrumentales
ne devrait être appliquée que si l’on a la certitude d’avoir des instruments forts. Donc, les
conclusions de Guggenberger (2008) sont mitigées et pourraient être trompeuses.
Nous illustrons nos résultats théoriques à travers des expériences de simulation et deux applications
empiriques: la relation entre le taux d’ouverture et la croissance économique et le problème
bien connu du rendement à l’éducation.
Le troisième essai étend le test d’exogénéité du type Wald proposé par Dufour (1987) aux cas
où les erreurs de la régression ont une distribution non-normale. Nous proposons une nouvelle
version du précédent test qui est valide même en présence d’erreurs non-Gaussiens. Contrairement
aux procédures de test d’exogénéité usuelles (tests de Durbin-Wu-Hausman et de Rvankar-
Hartley), le test de Wald permet de résoudre un problème courant dans les travaux empiriques
qui consiste à tester l’exogénéité partielle d’un sous ensemble de variables. Nous proposons deux
nouveaux estimateurs pré-test basés sur le test de Wald qui performent mieux (en terme d’erreur
quadratique moyenne) que l’estimateur IV usuel lorsque les variables instrumentales sont faibles et
l’endogénéité modérée. Nous montrons également que ce test peut servir de procédure de sélection
de variables instrumentales. Nous illustrons les résultats théoriques par deux applications
empiriques: le modèle bien connu d’équation du salaire [Angist et Krueger (1991, 1999)] et les
rendements d’échelle [Nerlove (1963)]. Nos résultats suggèrent que l’éducation de la mère expliquerait
le décrochage de son fils, que l’output est une variable endogène dans l’estimation du coût
de la firme et que le prix du fuel en est un instrument valide pour l’output.
Le quatrième essai résout deux problèmes très importants dans la littérature économétrique.
D’abord, bien que le test de Wald initial ou étendu permette de construire les régions de confiance
et de tester les restrictions linéaires sur les covariances, il suppose que les paramètres du modèle
sont identifiés. Lorsque l’identification est faible (instruments faiblement corrélés avec la variable
à instrumenter), ce test n’est en général plus valide. Cet essai développe une procédure d’inférence
robuste à l’identification (instruments faibles) qui permet de construire des régions de confiance
pour la matrices de covariances entre les erreurs de la régression et les variables explicatives (possiblement
endogènes). Nous fournissons les expressions analytiques des régions de confiance et
caractérisons les conditions nécessaires et suffisantes sous lesquelles ils sont bornés. La procédure
proposée demeure valide même pour de petits échantillons et elle est aussi asymptotiquement
robuste à l’hétéroscédasticité et l’autocorrélation des erreurs.
Ensuite, les résultats sont utilisés pour développer les tests d’exogénéité partielle robustes à
l’identification. Les simulations Monte Carlo indiquent que ces tests contrôlent le niveau et ont
de la puissance même si les instruments sont faibles. Ceci nous permet de proposer une procédure
valide de sélection de variables instrumentales même s’il y a un problème d’identification. La
procédure de sélection des instruments est basée sur deux nouveaux estimateurs pré-test qui combinent
l’estimateur IV usuel et les estimateurs IV partiels. Nos simulations montrent que: (1) tout
comme l’estimateur des moindres carrés ordinaires, les estimateurs IV partiels sont plus efficaces
que l’estimateur IV usuel lorsque les instruments sont faibles et l’endogénéité modérée; (2) les estimateurs
pré-test ont globalement une excellente performance comparés à l’estimateur IV usuel.
Nous illustrons nos résultats théoriques par deux applications empiriques: la relation entre le taux
d’ouverture et la croissance économique et le modèle de rendements à l’éducation. Dans la première
application, les études antérieures ont conclu que les instruments n’étaient pas trop faibles
[Dufour et Taamouti (2007)] alors qu’ils le sont fortement dans la seconde [Bound (1995), Doko et
Dufour (2009)]. Conformément à nos résultats théoriques, nous trouvons les régions de confiance
non bornées pour la covariance dans le cas où les instruments sont assez faibles. / The last decade shows growing interest for the so-called weak instruments problems in the
econometric literature, i.e. situations where instruments are poorly correlated with endogenous explanatory
variables. More generally, these can be viewed as situations where model parameters are
not identified or nearly so (see Dufour and Hsiao, 2008). It is well known that when instruments
are weak, the limiting distributions of standard test statistics - like Student, Wald, likelihood ratio
and Lagrange multiplier criteria in structural models - have non-standard distributions and often
depend heavily on nuisance parameters. Several empirical studies including the estimation of returns
to education [Angrist and Krueger (1991, 1995), Angrist et al. (1999), Bound et al. (1995),
Dufour and Taamouti (2007)] and asset pricing model (C-CAPM) [Hansen and Singleton (1982,
1983), Stock and Wright (2000)], have showed that the above procedures are unreliable in presence
of weak identification. As a result, identification-robust tests [Anderson and Rubin (1949), Moreira
(2003), Kleibergen (2002), Dufour and Taamouti (2007)] are often used to make reliable inference.
However, little is known about the quality of these procedures when the instruments are invalid or
both weak and invalid. This raises the following question: what happens to inference procedures
when some instruments are endogenous or both weak and endogenous? In particular, what happens
if an invalid instrument is added to a set of valid instruments? How robust are these inference
procedures to instrument endogeneity? Do alternative inference procedures behave differently? If
instrument endogeneity makes statistical inference unreliable, can we propose the procedures for selecting
"good instruments" (i.e. strong and valid instruments)? Can we propose instrument selection
procedure which will be valid even in presence of weak identification?
This thesis focuses on structural models and answers these questions through four chapiters.
The first chapter is published in Journal of Statistical Planning and Inference 138 (2008) 2649
– 2661. In this chapter, we analyze the effects of instrument endogeneity on two identificationrobust
procedures: Anderson and Rubin (1949, AR) and Kleibergen (2002, K) test statistics, with
or without weak instruments. First, when the level of instrument endogeneity is fixed (does not
depend on the sample size), we show that all these procedures are in general consistent against
the presence of invalid instruments (hence asymptotically invalid for the hypothesis of interest),
whether the instruments are "strong" or "weak". We also describe situations where this consistency
may not hold, but the asymptotic distribution is modified in a way that would lead to size distortions
in large samples. These include, in particular, cases where 2SLS estimator remains consistent, but
the tests are asymptotically invalid. Second, when the instruments are locally exogenous (the level
of instrument endogeneity approaches zero as the sample size increases), we find asymptotic noncentral
chi-square distributions with or without weak instruments, and describe situations where the
non-centrality parameter is zero and the asymptotic distribution remains the same as in the case of
valid instruments (despite the presence of invalid instruments).
The second chapter analyzes the effects of weak identification on Durbin-Wu-Hausman (DWH)
specification tests an Revankar-Harttley exogeneity test. We propose a finite-and large-sample analysis
of the distribution of DWH tests under the null hypothesis (level) and the alternative hypothesis
(power), including when identification is deficient or weak (weak instruments). Our finite-sample
analysis provides several new insights and extensions of earlier procedures. The characterization
of the finite-sample distribution of the test-statistics allows the construction of exact identificationrobust
exogeneity tests even with non-Gaussian errors (Monte Carlos tests) and shows that such
tests are typically robust to weak instruments (level is controlled).
Furthermore, we provide a characterization of the power of the tests, which clearly exhibits
factors which determine power. We show that DWH-tests have no power when all instruments are
weak [similar to Guggenberger(2008)]. However, power does exist as soon as we have one strong
instruments. The conclusions of Guggenberger (2008) focus on the case where all instruments
are weak (a case of little practical interest). Our asymptotic distributional theory under weaker
assumptions confirms the finite-sample theory.
Moreover, we present simulation evidence indicating: (1) over a wide range cases, including
weak IV and moderate endogeneity, OLS performs better than 2SLS [finding similar to Kiviet and
Niemczyk (2007)]; (2) pretest-estimators based on exogeneity tests have an excellent overall performance
compared with usual IV estimator.
We illustrate our theoretical results through simulation experiment and two empirical applications:
the relation between trade and economic growth and the widely studied problem of returns to
education.
In the third chapter, we extend the generalized Wald partial exogeneity test [Dufour (1987)]
to non-gaussian errors. Testing whether a subset of explanatory variables is exogenous is an important
challenge in econometrics. This problem occurs in many applied works. For example, in
the well know wage model, one should like to assess if mother’s education is exogenous without
imposing additional assumptions on ability and schooling. In the growth model, the exogeneity of
the constructed instrument on the basis of geographical characteristics for the trade share is often
questioned and needs to be tested without constraining trade share and the other variables. Standard
exogeneity tests of the type proposed by Durbin-Wu-Hausman and Revankar-Hartley cannot solve
such problems. A potential cure for dealing with partial exogeneity is the use of the generalized
linear Wald (GW) method (Dufour, 1987). The GW-procedure however assumes the normality of
model errors and it is not clear how robust is this test to non-gaussian errors.
We develop in this chapter, a modified version of earlier procedure which is valid even when
model errors are not normally distributed. We present simulation evidence indicating that when
identification is strong, the standard GW-test is size distorted in presence of non-gaussian errors.
Furthermore, our analysis of the performance of different pretest-estimators based on GW-tests
allow us to propose two new pretest-estimators of the structural parameter. The Monte Carlo simulations indicate that these pretest-estimators have a better performance over a wide range cases
compared with 2SLS. Therefore, this can be viewed as a procedure for selecting variable where a
GW-test is used in the first stage to decide which variables should be instruments and which ones
are valid instruments.
We illustrate our theoretical results through two empirical applications: the well known wage
equation and the returns to scale in electricity supply. The results show that the GW-tests cannot
reject the exogeneity of mother’s education, i.e. mother’s education may constitute a valid IV for
schooling. However, the output in cost equation is endogenous and the price of fuel is a valid IV for
estimating the returns to scale.
The fourth chapter develops identification-robust inference for the covariances between errors
and regressors of an IV regression. The results are then applied to develop partial exogeneity tests
and partial IV pretest-estimators which are more efficient than usual IV estimator.
When more than one stochastic explanatory variables are involved in the model, it is often
necessary to determine which ones are independent of the disturbances. This problem arises in
many empirical applications. For example, in the New Keynesian Phillips Curve, one should like to
assess whether the interest rate is exogenous without imposing additional assumptions on inflation
rate and the other variables. Standard Wu-Durbin-Hausman (DWH) tests which are commonly
used in applied work are inappropriate to deal with such a problem. The generalized Wald (GW)
procedure (Dufour, 1987) which typically allows the construction of confidence sets as well as
testing linear restrictions on covariances assumes that the available instruments are strong. When
the instruments are weak, the GW-test is in general size distorted. As a result, its application in
models where instruments are possibly weak–returns to education, trade and economic growth, life
cycle labor supply, New Keynesian Phillips Curve, pregnancy and the demand for cigarettes–may
be misleading.
To answer this problem, we develop a finite-and large-sample valid procedure for building confidence
sets for covariances allowing for the presence of weak instruments. We provide analytic
forms of the confidence sets and characterize necessary and sufficient conditions under which they
are bounded.
Moreover, we propose two new pretest-estimators of structural parameters based on our above
procedure. Both estimators combine 2SLS and partial IV-estimators. The Monte Carlo experiment
shows that: (1) partial IV-estimators outperform 2SLS when the instruments are weak; (2) pretestestimators
have an excellent overall performance–bias and MSE– compared with 2SLS. Therefore,
this can be viewed as a variable selection method where the projection-based techniques is used to
decide which variables should be instrumented and which ones are valid instruments.
We illustrate our results through two empirical applications: the relation between trade and economic
growth and the widely studied problem of returns to education. The results show unbounded
confidence sets, suggesting that the IV are relatively poor in these models, as questioned in the
literature [Bound (1995)].
|
25 |
殘障福利法定額晉用規定推行不彰之原因探討--由雇主的態度分析 / The Ineffectiveness of the Quota Scheme for Employment the Disabled: An Analysis of Employers' Attitudes陳鳳雅, Chen, Fung-Ya Unknown Date (has links)
本研究主要在探討雇主對殘障工作者的印象、對定額晉用的態度、雇用殘障者態度及雇用行為四個變項的關係。參與本研究的受試為 272位服務於百人以上民營企業、有實際參與雇用決策且擔任現職一年以上之人事主管及單位主管。研究的結果發現:(一)雇主對殘障工作者持有正面的評價。(二)雖然雇主認為定額晉用制度是難以達成且不公平的,但是仍認為有其存在的必要。(三)在雇用態度上,雇主有高的雇用意願,認為雇用殘障者不會提升雇用成本,且同意雇用殘障者可獲致一些雇用上的利益。(四)在雇主個人變項與各項態度的相關上,研究發現:(1)低學歷者(高中以下) 較高學歷者(大學及研究所)有正向的態度。(2) 在工作場合中曾與殘障者接觸者較不曾接觸者有正向的態度。(3) 知道定額晉用規定者較不知道者有正向的態度。(五)在各項態度的相關上發現對殘障者印象、定額晉用態度與雇用殘障者態度間均有相關存在殘障者態度最有預測力。(六)在各項態度與行為的相關上發現人事主管中態度與行為的關聯性較單位主管強。(七)組織規模小的企業(較大企業)及製造業(較服務業)達成定額晉用的比例高。 / The purpose of this research was to explore the relationships between employers' impression toward the disabled, attitudes toward employmentthe disabled, attitudes toward the quota scheme (in Welfare Laws for theInvalid), and the performed behaviors for employment the disabled. Twohundred and seventy-two direct and personnel managers attended this research. The major findings of this study were as follows: (1) Employer shad favorable impression toward the disabled, especially on the dimension of job attitudes. (2) The quota scheme was evaluated to be difficult and unfaire, but also necessary. (3) Employers had high willing to employ thedisabled, and tought that to employ the disabled would not heighten the cost of employment, but also could gain some benefits. (4) Employers whohad lower educational level, who had contact with the disabled at work,or who knew of the quota scheme before attending this study had more favorable attitudes than had other employers. (5) There were positiverelationships between the impression toward the disabled, attitudes towardemployment the disabled and attitudes toward the quota scheme. (6)the linksbetween the attitudes and the performed behaviors were stronger in personnelmanagers than in direct managers. (7)The rate of achieving the legal numbersfor employment the disabled was heigher in manufacturing or small corporations tnan in service or large corporations.
|
26 |
Exogeneity, weak identification and instrument selection in econometricsDoko Tchatoka, Sabro Firmin 02 1900 (has links)
La dernière décennie a connu un intérêt croissant pour les problèmes posés par les variables instrumentales
faibles dans la littérature économétrique, c’est-à-dire les situations où les variables
instrumentales sont faiblement corrélées avec la variable à instrumenter. En effet, il est bien connu
que lorsque les instruments sont faibles, les distributions des statistiques de Student, de Wald, du
ratio de vraisemblance et du multiplicateur de Lagrange ne sont plus standard et dépendent souvent
de paramètres de nuisance. Plusieurs études empiriques portant notamment sur les modèles de rendements
à l’éducation [Angrist et Krueger (1991, 1995), Angrist et al. (1999), Bound et al. (1995),
Dufour et Taamouti (2007)] et d’évaluation des actifs financiers (C-CAPM) [Hansen et Singleton
(1982,1983), Stock et Wright (2000)], où les variables instrumentales sont faiblement corrélées avec
la variable à instrumenter, ont montré que l’utilisation de ces statistiques conduit souvent à des résultats
peu fiables. Un remède à ce problème est l’utilisation de tests robustes à l’identification [Anderson
et Rubin (1949), Moreira (2002), Kleibergen (2003), Dufour et Taamouti (2007)]. Cependant,
il n’existe aucune littérature économétrique sur la qualité des procédures robustes à l’identification
lorsque les instruments disponibles sont endogènes ou à la fois endogènes et faibles. Cela soulève
la question de savoir ce qui arrive aux procédures d’inférence robustes à l’identification lorsque certaines
variables instrumentales supposées exogènes ne le sont pas effectivement. Plus précisément,
qu’arrive-t-il si une variable instrumentale invalide est ajoutée à un ensemble d’instruments valides?
Ces procédures se comportent-elles différemment? Et si l’endogénéité des variables instrumentales
pose des difficultés majeures à l’inférence statistique, peut-on proposer des procédures de tests qui
sélectionnent les instruments lorsqu’ils sont à la fois forts et valides? Est-il possible de proposer
les proédures de sélection d’instruments qui demeurent valides même en présence d’identification
faible?
Cette thèse se focalise sur les modèles structurels (modèles à équations simultanées) et apporte
des réponses à ces questions à travers quatre essais.
Le premier essai est publié dans Journal of Statistical Planning and Inference 138 (2008)
2649 – 2661. Dans cet essai, nous analysons les effets de l’endogénéité des instruments sur deux
statistiques de test robustes à l’identification: la statistique d’Anderson et Rubin (AR, 1949) et la
statistique de Kleibergen (K, 2003), avec ou sans instruments faibles. D’abord, lorsque le paramètre
qui contrôle l’endogénéité des instruments est fixe (ne dépend pas de la taille de l’échantillon), nous
montrons que toutes ces procédures sont en général convergentes contre la présence d’instruments
invalides (c’est-à-dire détectent la présence d’instruments invalides) indépendamment de leur qualité
(forts ou faibles). Nous décrivons aussi des cas où cette convergence peut ne pas tenir, mais
la distribution asymptotique est modifiée d’une manière qui pourrait conduire à des distorsions de
niveau même pour de grands échantillons. Ceci inclut, en particulier, les cas où l’estimateur des
double moindres carrés demeure convergent, mais les tests sont asymptotiquement invalides. Ensuite,
lorsque les instruments sont localement exogènes (c’est-à-dire le paramètre d’endogénéité
converge vers zéro lorsque la taille de l’échantillon augmente), nous montrons que ces tests convergent
vers des distributions chi-carré non centrées, que les instruments soient forts ou faibles. Nous
caractérisons aussi les situations où le paramètre de non centralité est nul et la distribution asymptotique
des statistiques demeure la même que dans le cas des instruments valides (malgré la présence
des instruments invalides).
Le deuxième essai étudie l’impact des instruments faibles sur les tests de spécification du type
Durbin-Wu-Hausman (DWH) ainsi que le test de Revankar et Hartley (1973). Nous proposons une
analyse en petit et grand échantillon de la distribution de ces tests sous l’hypothèse nulle (niveau)
et l’alternative (puissance), incluant les cas où l’identification est déficiente ou faible (instruments
faibles). Notre analyse en petit échantillon founit plusieurs perspectives ainsi que des extensions
des précédentes procédures. En effet, la caractérisation de la distribution de ces statistiques en petit
échantillon permet la construction des tests de Monte Carlo exacts pour l’exogénéité même avec
les erreurs non Gaussiens. Nous montrons que ces tests sont typiquement robustes aux intruments
faibles (le niveau est contrôlé). De plus, nous fournissons une caractérisation de la puissance des
tests, qui exhibe clairement les facteurs qui déterminent la puissance. Nous montrons que les tests
n’ont pas de puissance lorsque tous les instruments sont faibles [similaire à Guggenberger(2008)].
Cependant, la puissance existe tant qu’au moins un seul instruments est fort. La conclusion de
Guggenberger (2008) concerne le cas où tous les instruments sont faibles (un cas d’intérêt mineur
en pratique). Notre théorie asymptotique sous les hypothèses affaiblies confirme la théorie en échantillon
fini.
Par ailleurs, nous présentons une analyse de Monte Carlo indiquant que: (1) l’estimateur des
moindres carrés ordinaires est plus efficace que celui des doubles moindres carrés lorsque les instruments
sont faibles et l’endogenéité modérée [conclusion similaire à celle de Kiviet and Niemczyk
(2007)]; (2) les estimateurs pré-test basés sur les tests d’exogenété ont une excellente performance
par rapport aux doubles moindres carrés. Ceci suggère que la méthode des variables instrumentales
ne devrait être appliquée que si l’on a la certitude d’avoir des instruments forts. Donc, les
conclusions de Guggenberger (2008) sont mitigées et pourraient être trompeuses.
Nous illustrons nos résultats théoriques à travers des expériences de simulation et deux applications
empiriques: la relation entre le taux d’ouverture et la croissance économique et le problème
bien connu du rendement à l’éducation.
Le troisième essai étend le test d’exogénéité du type Wald proposé par Dufour (1987) aux cas
où les erreurs de la régression ont une distribution non-normale. Nous proposons une nouvelle
version du précédent test qui est valide même en présence d’erreurs non-Gaussiens. Contrairement
aux procédures de test d’exogénéité usuelles (tests de Durbin-Wu-Hausman et de Rvankar-
Hartley), le test de Wald permet de résoudre un problème courant dans les travaux empiriques
qui consiste à tester l’exogénéité partielle d’un sous ensemble de variables. Nous proposons deux
nouveaux estimateurs pré-test basés sur le test de Wald qui performent mieux (en terme d’erreur
quadratique moyenne) que l’estimateur IV usuel lorsque les variables instrumentales sont faibles et
l’endogénéité modérée. Nous montrons également que ce test peut servir de procédure de sélection
de variables instrumentales. Nous illustrons les résultats théoriques par deux applications
empiriques: le modèle bien connu d’équation du salaire [Angist et Krueger (1991, 1999)] et les
rendements d’échelle [Nerlove (1963)]. Nos résultats suggèrent que l’éducation de la mère expliquerait
le décrochage de son fils, que l’output est une variable endogène dans l’estimation du coût
de la firme et que le prix du fuel en est un instrument valide pour l’output.
Le quatrième essai résout deux problèmes très importants dans la littérature économétrique.
D’abord, bien que le test de Wald initial ou étendu permette de construire les régions de confiance
et de tester les restrictions linéaires sur les covariances, il suppose que les paramètres du modèle
sont identifiés. Lorsque l’identification est faible (instruments faiblement corrélés avec la variable
à instrumenter), ce test n’est en général plus valide. Cet essai développe une procédure d’inférence
robuste à l’identification (instruments faibles) qui permet de construire des régions de confiance
pour la matrices de covariances entre les erreurs de la régression et les variables explicatives (possiblement
endogènes). Nous fournissons les expressions analytiques des régions de confiance et
caractérisons les conditions nécessaires et suffisantes sous lesquelles ils sont bornés. La procédure
proposée demeure valide même pour de petits échantillons et elle est aussi asymptotiquement
robuste à l’hétéroscédasticité et l’autocorrélation des erreurs.
Ensuite, les résultats sont utilisés pour développer les tests d’exogénéité partielle robustes à
l’identification. Les simulations Monte Carlo indiquent que ces tests contrôlent le niveau et ont
de la puissance même si les instruments sont faibles. Ceci nous permet de proposer une procédure
valide de sélection de variables instrumentales même s’il y a un problème d’identification. La
procédure de sélection des instruments est basée sur deux nouveaux estimateurs pré-test qui combinent
l’estimateur IV usuel et les estimateurs IV partiels. Nos simulations montrent que: (1) tout
comme l’estimateur des moindres carrés ordinaires, les estimateurs IV partiels sont plus efficaces
que l’estimateur IV usuel lorsque les instruments sont faibles et l’endogénéité modérée; (2) les estimateurs
pré-test ont globalement une excellente performance comparés à l’estimateur IV usuel.
Nous illustrons nos résultats théoriques par deux applications empiriques: la relation entre le taux
d’ouverture et la croissance économique et le modèle de rendements à l’éducation. Dans la première
application, les études antérieures ont conclu que les instruments n’étaient pas trop faibles
[Dufour et Taamouti (2007)] alors qu’ils le sont fortement dans la seconde [Bound (1995), Doko et
Dufour (2009)]. Conformément à nos résultats théoriques, nous trouvons les régions de confiance
non bornées pour la covariance dans le cas où les instruments sont assez faibles. / The last decade shows growing interest for the so-called weak instruments problems in the
econometric literature, i.e. situations where instruments are poorly correlated with endogenous explanatory
variables. More generally, these can be viewed as situations where model parameters are
not identified or nearly so (see Dufour and Hsiao, 2008). It is well known that when instruments
are weak, the limiting distributions of standard test statistics - like Student, Wald, likelihood ratio
and Lagrange multiplier criteria in structural models - have non-standard distributions and often
depend heavily on nuisance parameters. Several empirical studies including the estimation of returns
to education [Angrist and Krueger (1991, 1995), Angrist et al. (1999), Bound et al. (1995),
Dufour and Taamouti (2007)] and asset pricing model (C-CAPM) [Hansen and Singleton (1982,
1983), Stock and Wright (2000)], have showed that the above procedures are unreliable in presence
of weak identification. As a result, identification-robust tests [Anderson and Rubin (1949), Moreira
(2003), Kleibergen (2002), Dufour and Taamouti (2007)] are often used to make reliable inference.
However, little is known about the quality of these procedures when the instruments are invalid or
both weak and invalid. This raises the following question: what happens to inference procedures
when some instruments are endogenous or both weak and endogenous? In particular, what happens
if an invalid instrument is added to a set of valid instruments? How robust are these inference
procedures to instrument endogeneity? Do alternative inference procedures behave differently? If
instrument endogeneity makes statistical inference unreliable, can we propose the procedures for selecting
"good instruments" (i.e. strong and valid instruments)? Can we propose instrument selection
procedure which will be valid even in presence of weak identification?
This thesis focuses on structural models and answers these questions through four chapiters.
The first chapter is published in Journal of Statistical Planning and Inference 138 (2008) 2649
– 2661. In this chapter, we analyze the effects of instrument endogeneity on two identificationrobust
procedures: Anderson and Rubin (1949, AR) and Kleibergen (2002, K) test statistics, with
or without weak instruments. First, when the level of instrument endogeneity is fixed (does not
depend on the sample size), we show that all these procedures are in general consistent against
the presence of invalid instruments (hence asymptotically invalid for the hypothesis of interest),
whether the instruments are "strong" or "weak". We also describe situations where this consistency
may not hold, but the asymptotic distribution is modified in a way that would lead to size distortions
in large samples. These include, in particular, cases where 2SLS estimator remains consistent, but
the tests are asymptotically invalid. Second, when the instruments are locally exogenous (the level
of instrument endogeneity approaches zero as the sample size increases), we find asymptotic noncentral
chi-square distributions with or without weak instruments, and describe situations where the
non-centrality parameter is zero and the asymptotic distribution remains the same as in the case of
valid instruments (despite the presence of invalid instruments).
The second chapter analyzes the effects of weak identification on Durbin-Wu-Hausman (DWH)
specification tests an Revankar-Harttley exogeneity test. We propose a finite-and large-sample analysis
of the distribution of DWH tests under the null hypothesis (level) and the alternative hypothesis
(power), including when identification is deficient or weak (weak instruments). Our finite-sample
analysis provides several new insights and extensions of earlier procedures. The characterization
of the finite-sample distribution of the test-statistics allows the construction of exact identificationrobust
exogeneity tests even with non-Gaussian errors (Monte Carlos tests) and shows that such
tests are typically robust to weak instruments (level is controlled).
Furthermore, we provide a characterization of the power of the tests, which clearly exhibits
factors which determine power. We show that DWH-tests have no power when all instruments are
weak [similar to Guggenberger(2008)]. However, power does exist as soon as we have one strong
instruments. The conclusions of Guggenberger (2008) focus on the case where all instruments
are weak (a case of little practical interest). Our asymptotic distributional theory under weaker
assumptions confirms the finite-sample theory.
Moreover, we present simulation evidence indicating: (1) over a wide range cases, including
weak IV and moderate endogeneity, OLS performs better than 2SLS [finding similar to Kiviet and
Niemczyk (2007)]; (2) pretest-estimators based on exogeneity tests have an excellent overall performance
compared with usual IV estimator.
We illustrate our theoretical results through simulation experiment and two empirical applications:
the relation between trade and economic growth and the widely studied problem of returns to
education.
In the third chapter, we extend the generalized Wald partial exogeneity test [Dufour (1987)]
to non-gaussian errors. Testing whether a subset of explanatory variables is exogenous is an important
challenge in econometrics. This problem occurs in many applied works. For example, in
the well know wage model, one should like to assess if mother’s education is exogenous without
imposing additional assumptions on ability and schooling. In the growth model, the exogeneity of
the constructed instrument on the basis of geographical characteristics for the trade share is often
questioned and needs to be tested without constraining trade share and the other variables. Standard
exogeneity tests of the type proposed by Durbin-Wu-Hausman and Revankar-Hartley cannot solve
such problems. A potential cure for dealing with partial exogeneity is the use of the generalized
linear Wald (GW) method (Dufour, 1987). The GW-procedure however assumes the normality of
model errors and it is not clear how robust is this test to non-gaussian errors.
We develop in this chapter, a modified version of earlier procedure which is valid even when
model errors are not normally distributed. We present simulation evidence indicating that when
identification is strong, the standard GW-test is size distorted in presence of non-gaussian errors.
Furthermore, our analysis of the performance of different pretest-estimators based on GW-tests
allow us to propose two new pretest-estimators of the structural parameter. The Monte Carlo simulations indicate that these pretest-estimators have a better performance over a wide range cases
compared with 2SLS. Therefore, this can be viewed as a procedure for selecting variable where a
GW-test is used in the first stage to decide which variables should be instruments and which ones
are valid instruments.
We illustrate our theoretical results through two empirical applications: the well known wage
equation and the returns to scale in electricity supply. The results show that the GW-tests cannot
reject the exogeneity of mother’s education, i.e. mother’s education may constitute a valid IV for
schooling. However, the output in cost equation is endogenous and the price of fuel is a valid IV for
estimating the returns to scale.
The fourth chapter develops identification-robust inference for the covariances between errors
and regressors of an IV regression. The results are then applied to develop partial exogeneity tests
and partial IV pretest-estimators which are more efficient than usual IV estimator.
When more than one stochastic explanatory variables are involved in the model, it is often
necessary to determine which ones are independent of the disturbances. This problem arises in
many empirical applications. For example, in the New Keynesian Phillips Curve, one should like to
assess whether the interest rate is exogenous without imposing additional assumptions on inflation
rate and the other variables. Standard Wu-Durbin-Hausman (DWH) tests which are commonly
used in applied work are inappropriate to deal with such a problem. The generalized Wald (GW)
procedure (Dufour, 1987) which typically allows the construction of confidence sets as well as
testing linear restrictions on covariances assumes that the available instruments are strong. When
the instruments are weak, the GW-test is in general size distorted. As a result, its application in
models where instruments are possibly weak–returns to education, trade and economic growth, life
cycle labor supply, New Keynesian Phillips Curve, pregnancy and the demand for cigarettes–may
be misleading.
To answer this problem, we develop a finite-and large-sample valid procedure for building confidence
sets for covariances allowing for the presence of weak instruments. We provide analytic
forms of the confidence sets and characterize necessary and sufficient conditions under which they
are bounded.
Moreover, we propose two new pretest-estimators of structural parameters based on our above
procedure. Both estimators combine 2SLS and partial IV-estimators. The Monte Carlo experiment
shows that: (1) partial IV-estimators outperform 2SLS when the instruments are weak; (2) pretestestimators
have an excellent overall performance–bias and MSE– compared with 2SLS. Therefore,
this can be viewed as a variable selection method where the projection-based techniques is used to
decide which variables should be instrumented and which ones are valid instruments.
We illustrate our results through two empirical applications: the relation between trade and economic
growth and the widely studied problem of returns to education. The results show unbounded
confidence sets, suggesting that the IV are relatively poor in these models, as questioned in the
literature [Bound (1995)].
|
Page generated in 0.0639 seconds