13 Regresión de variables instrumentales
Como se discutió en el Capítulo 10, los modelos de regresión pueden sufrir problemas como variables omitidas, errores de medición y causalidad simultánea. Si es así, el término de error se correlaciona con el regresor de interés y, por lo tanto, el coeficiente correspondiente se estima de manera inconsistente.
Hasta ahora se ha asumido que se pueden agregar las variables omitidas a la regresión para mitigar el riesgo de estimación sesgada del efecto causal de interés. Sin embargo, si los factores omitidos no se pueden medir o no están disponibles por otras razones, la regresión múltiple no puede resolver el problema.
El mismo problema surge si existe causalidad simultánea. Cuando la causalidad va de \(X\) a \(Y\) y viceversa, habrá un sesgo de estimación que no se puede corregir mediante regresión múltiple.
Una técnica general para obtener un estimador consistente del coeficiente de interés es la regresión de variables instrumentales (IV). El presente capítulo se enfoca en la herramienta de regresión VI llamada mínimos cuadrados de dos etapas (MC2E). Las primeras secciones recapitulan brevemente la mecánica general y los supuestos de la regresión VI y muestran cómo realizar la estimación MC2E usando R. A continuación, la regresión VI se utiliza para estimar la elasticidad de la demanda de cigarrillos, un ejemplo clásico en el que la regresión múltiple no funciona debido a la causalidad simultánea.
Al igual que en el capítulo anterior, los paquetes AER (Kleiber and Zeileis 2020) y stargazer (Hlavac 2018) son necesarios para reproducir el código presentado en este capítulo. Compruebe si el fragmento de código a continuación se ejecuta sin ningún mensaje de error.
library(AER)
library(stargazer)