heckit_helper.Heckit_from_formula
概要
Heckit_from_formula(
selection,
outcome,
data,
**kwargs
)引数 Argument
selectionstr（必須）
Type2トービットモデルのうち第1段階の selection equation(選択関数, 就業決定関数)の回帰式outcomestr（必須）
Type2トービットモデルのうち第2段階の regression equation(賃金関数)の回帰式data：pandas.DataFrame（必須）**kwargs
py4etrics.heckit.Heckit()に渡すその他の引数
返り値 Value
3つの要素を持つ tuple。左から順に次の3つのオブジェクトが出力されます。
py4etrics.heckit.Heckit()から出力されたモデルの推定結果- 第2段階の regression equation(賃金関数)の説明変数からなる pd.DataFrame
- 第1段階のselection equation(選択関数, 就業決定関数)の説明変数からなる pd.DataFrame
使用例 Examples
heckit_helper モジュールはヘックマンの2段階推定（Heckit）を実行を Py4Etrics モジュールの py4etrics.heckit.Heckit() に依存しているため、事前のインストールをお願いします。
pip install git+https://github.com/Py4Etrics/py4etrics.gitここでは春山(2023, Chap.24)のモデルを再現するため、wooldridge モジュールから mroz データを読み込みます。
import pandas as pd
import wooldridge
from py4stats import heckit_helper
mroz = wooldridge.data('mroz') # サンプルデータの読み込みHeckit_from_formula() 関数を使い、モデルを推定します。なお、Type2トービットモデルを推定する場合、第2段階の回帰式 outcome で使用される説明変数は全て第1段階の回帰式 selection に含まれ、なおかつ selection に含まれるものの、outcome には含まれない説明変数が少なくとも1つは必要であることに注意してください(末石, 2015, p.117)。
mod_heckit, exog_outcome, exog_select = \
heckit_helper.Heckit_from_formula(
selection = 'lwage ~ educ + exper + expersq + nwifeinc + age + kidslt6 + kidsge6',
outcome = 'lwage ~ educ + exper + expersq',
data = mroz
)
res_heckit = mod_heckit.fit(cov_type_2 = 'HC1')
print(res_heckit.summary())
#> Heckit Regression Results
#> ================================================================================
#> Dep. Variable: lwage R-squared: 0.156
#> Model: Heckit Adj. R-squared: 0.150
#> Method: Heckman Two-Step F-statistics: 26.148
#> Date: Mon, 11 Mar 2024 Prob (F-statistic): 0.000
#> Time: 08:40:39 Cov in 1st Stage: nonrobust
#> No. Total Obs.: 753 Cov in 2nd Stage: HC1
#> No. Censored Obs.: 325
#> No. Uncensored Obs.: 428
#> ==============================================================================
#> coef std err z P>|z| [0.025 0.975]
#> ------------------------------------------------------------------------------
#> Intercept -0.5781 0.305 -1.895 0.058 -1.176 0.020
#> educ 0.1091 0.016 7.026 0.000 0.079 0.139
#> exper 0.0439 0.016 2.699 0.007 0.012 0.076
#> expersq -0.0009 0.000 -1.957 0.050 -0.002 1.15e-06
#> ==============================================================================
#> coef std err z P>|z| [0.025 0.975]
#> ------------------------------------------------------------------------------
#> Intercept 0.2701 0.509 0.531 0.595 -0.727 1.267
#> educ 0.1309 0.025 5.183 0.000 0.081 0.180
#> exper 0.1233 0.019 6.590 0.000 0.087 0.160
#> expersq -0.0019 0.001 -3.145 0.002 -0.003 -0.001
#> nwifeinc -0.0120 0.005 -2.484 0.013 -0.022 -0.003
#> age -0.0529 0.008 -6.235 0.000 -0.069 -0.036
#> kidslt6 -0.8683 0.119 -7.326 0.000 -1.101 -0.636
#> kidsge6 0.0360 0.043 0.828 0.408 -0.049 0.121
#> ================================================================================
#> coef std err z P>|z| [0.025 0.975]
#> --------------------------------------------------------------------------------
#> IMR (Lambda) 0.0323 0.134 0.241 0.809 -0.230 0.294
#> =====================================
#> rho: 0.049
#> sigma: 0.664
#> =====================================
#>
#> First table are the estimates for the regression (response) equation.
#> Second table are the estimates for the selection equation.
#> Third table is the estimate for the coef of the inverse Mills ratio (Heckman's Lambda).参考文献
- 末石直也(2015)『計量経済学：ミクロデータ分析へのいざない』 日本評論社.
- 春山鉄源(2023) 『Pythonで学ぶ入門計量経済学』 https://py4etrics.github.io/index.html