Bivariate censored models in microeconometrics: theory and applications

In dealing with microdata, applied economics has adopted microeconomet- ric models as standard tools for empirical research. Among them, mod- els handling the partial or imperfect observability of response variables are widely popular, namely econometric models with censored, truncated and categorical dependent variables. Unlike the case of continuously observed dependent variables, maximum likelihood estimators for limited dependent variable models are more sensitive to sources of misspeci cation such as the failure of the normality assumption which results in to the inconsistency of the estimator. Divided in three distinct contributions, this dissertation focus on the issues of testing the joint normality assumption and analyzing the alterna- tive estimation options in case of distributional misspeci cation in bivariate censored models. Chapter 1 explores the nite sample properties of condi- tional moment tests for bivariate normality by means of an extensive Monte Carlo experiment for the sample selection and the bivariate probit model. Despite the fact that the assumption of joint normality is rarely tested in microeconometric applications of bivariate censored models, a number of contributions have dealt with the problem of getting consistent estimates under non- normality especially for the sample selection model. Chapter 2 attempts to give a uni ed framework of alternative estimation options overcoming the marked dichotomy between parametric and semiparamet- ric approaches that characterizes the literature on this matter. Chapter 3 contains an empirical example of estimation and testing of a bivariate cen- sored model for university students performance and retention. The model is estimated using administrative data from four faculties of Universit a Po- litecnica delle Marche (Italy) that contain information from 2000 to 2006 on enrollments and students' rst year performance and rst year drop-outs.

Per l'analisi dei microdati, i modelli microeconometrici sono diventati, in economia applicata, strumenti standard per la ricerca empirica. Tra i pi u utilizzati vi sono i modelli che gestiscono l'osservabilit a parziale o imperfetta delle variabili di risposta, ossia i modelli econometrici con variabili dipen- denti censurate, troncate o categoriche. Diversamente dal caso in cui si hanno variabili dipendenti continue, gli stimatori di massima verosimiglianza per modelli con variabili dipendenti limitate sono pi u sensibili a errori di speci cazione come nel caso in cui venga violata l'assunzione di normalit a bivariata che comporta l'inconsistenza dello stimatore. Divisa in tre contributi distinti, la tesi si focalizza sui problemi di testare la normalit a congiunta e di analizzare metodi di stima alternativi nel caso in cui l'assunzione distribuzionale sia scorretta in modelli bivariati censurati. Il capitolo 1 esplora le propriet a in campioni niti dei conditional moment test di normalit a bivariata per mezzo di esperimenti di Monte Carlo nel caso del probit bivariato e del modello di sample selection. Sebbene l'assunzione di normalit a congiunta sia testata raramente nelle applicazioni microeconomet- riche di modelli bivariati con censura, numerosi contributi hanno trattato il problema di ottenere stime consistenti sotto non-normalit a, soprattutto per il modello di sample selection. Il capitolo 2 tenta di dare una visione uni cata di queste opzioni di stima superando la forte dicotomia presente in questa letteratura tra metodi parametrici e semiparametrici. Il capitolo 3 contiene un'applicazione empirica di stima e test di un modello bivari- ato con censura applicato alla performance e alla persistenza degli studenti universitari. Il modello viene stimato utilizzando dati amministrativi di quattro facolt a dell' Universit a Politecnica delle Marche che contengono in- formazioni, per gli anni 2000-2006, sulle immatricolazioni, sulla performace e sull'abbandono degli studi al primo anno.