A Monte Carlo EM algorithm for FIML estimation of multivariate endogenous switching models with censored and discrete responses

Abstract

This article presents a Monte Carlo EM algorithm to estimate multivariate endogenous switching regression models with censored and/or discrete responses and heteroscedastic errors. Advantages of the algorithm include: (1) it does not require numerical integration; (2) it reduces the estimation of the vector of slopes to the calculation of a GLS estimator and (3) numerical techniques are required only to estimate the parameters in the disturbance covariance matrix. Extensions to panel data are discussed. The algorithm is illustrated on both simulated data and on real data from an agricultural conservation program.

Este artículo presenta un algoritmo Monte Carlo EM para estimar modelos de regresión cambiante con respuestas múltiples. El algoritmo permite el análisis de modelos que contengan respuestas censuradas y/o discretas, y permite controlar por heteroscedasticidad. La estimación se realiza por máxima verosimilitud con información completa. Algunas ventajas del algoritmo son: (1) no requiere integración numérica, (2) la estimación del vector de pendientes se reduce al cálculo de un estimador de mínimos cuadrado generalizados, y (3) la optimización numérica es requerida sólo para estimar los elementos de la matriz de covarianza de las perturbaciones. El uso del algoritmo es ilustrado sobre datos simulados y sobre datos reales tomados desde un programa de conservación de suelos.