FIML estimation of treatment effect models with endogenous selection and multiple censored responses via a Monte Carlo EM algorithm

Abstract

We formulate a Monte Carlo EM algorithm to estimate treatment effect models involving multiple censored responses. The algorithm has at least three advantages with respect to traditional methods. First, it does not require integrating the unobserved information out from the likelihood function, which reduces the estimation time dramatically and permits to solve problems involving a high number of latent variables. Second, it reduces the estimation of the vector of slopes to the calculation of a GLS estimator, and numerical techniques are required only to estimate the elements in the disturbance covariance matrix. Third, it has low sensitivity to the selection of starting values and fragile identification. We illustrate the method by estimating a 3-equation treatment model; then we compare the performance of our algorithm against a quasi-Newton optimization that uses numerical integration.

Este artículo presenta un algoritmo Monte Carlo EM para estimar modelos de tratamientos con respuestas censuradas múltiples. El algoritmo tiene al menos tres ventajas respecto a métodos tradicionales. Primero, no requiere integración numérica, lo cual reduce dramáticamente el tiempo de estimación. Segundo, la estimación del vector de pendientes se reduce al cálculo de un estimador GLS, y métodos numéricos son requeridos solamente para estimar los elementos en la matriz de covarianzas de los errores. Tercero, el método tiene una baja sensibilidad a la selección de valores iniciales y a identificación frágil. Como ilustración, el algoritmo es aplicado a la estimación de un modelo de tratamiento de tres ecuaciones. Luego, las propiedades del algoritmo son comparadas contra técnicas que combinan integración numérica y métodos de optimización tradicionales.