ECOM30002/90002 ECONOMETRICS 2 SEMESTER 2, 2022 ASSIGNMENT 4

Section 1

In Australia, the government uses a number of financial incentives to bolster the uptake of private health insurance (PHI). Rich individuals face a negative incentive payment (a tax penalty) called the Medicare Levy Surcharge (MLS) if they do not purchase PHI. Eligibility for the MLS is a function of the individual’s taxable income, with the threshold having changed a number of times in the past. Consider the following panel data model for the demand for PHI:

PHIit = ρPHIit-1 + βMLSMLSit + X tβ + αi + γt + Vit ,                                                  (1)

where PHIit  is a dummy indicating that individual i in year t had purchased PHI, and MLSit is a dummy indicating that i in t was eligible for the MLS. Xit  is a vector containing further covariates.  (For background and reference, see TC Buchmueller, TC Cheng, NTA Pham and KE Staub (2021), “The effect of income-based mandates on the demand for private hospital insurance and its dynamics,” Journal of Health Economics, Vol. 75, 1023406.)

1.  Explain which parts of Equation (1) can reflect persistence in the demand for PHI beyond that explained by Xit and how the persistence induced by these parts differs from each other.

2. A group of individuals becomes temporarily eligible for MLS in year t (they are ineligible in all other periods).  What is the effect of this temporary eligibility on the contemporaneous demand for PHI in years t, t + 1 and t + 2 if (i) ρ = 0?  (ii) ρ  0?

The data in the file phi .csv contains an unbalanced panel of 2,531 individuals observed up to ten years, for a total of 17,046 observations. The variables in the data are

3.  Use the data in the file phi .csv to estimate four models related to equation (1).  For all models, include the following variables in Xit:  agesq/10000, hhinc, hhinc2 , hcond.  The four models are:

(i) pooled OLS of PHIit  on MLSit  and Xit;

(ii) fixed effects regression of PHIit  on MLSit  and Xit  with individual-specific effects;

(iii) two-way fixed effects regression of PHIit  on MLSit  and Xit  (individual and year fixed effects);

(iv) Anderson-Hsiao instrumental variable regression of PHIit on PHIit-1 , MLSit  and Xit (with individual and year fixed effects) using PHIit-2  as an instrument.

Note: For the dynamic model, you can model your R code after the code in Lecture 19. The basic specification for plm() should be

∆PHIit ~ ∆PHIit-1 + ∆MLSit + ∆Xit + ∆Dt  │ PHIit-2 + ∆MLSit + ∆Xit + ∆Dt

where Dit is a set of year dummy variables. Because of multicollinearity, three year dummies need to be excluded (but if you don’t do this, R will do it for you).

Report your results in a table showing estimated coefficients, standard errors, and the num- ber of observations in each regression.  Omit estimated coefficients of constants and year dummies, if any.  Report the coefficients of the differenced variables from (iv) in the same lines as the corresponding undifferenced variables of (i)-(iii).  For non-integer values, round to three decimal places.

4.  Consider only the results for models  (i) and  (ii).   What does the difference between the Pooled OLS and FE estimates of the coefficient on MLS reveal about the effect of omitted individual-specific variables on the demand for PHI and their relation to MLS?

5.  Now consider only the results for models (ii) and (iii).  Is further controlling for omitted year-specific unobservables important for the estimate of the effect of MLS on the demand for PHI? Interpret the estimated coefficient on MLS.

6. Why might the specification of Xit  in this section omit the variable ageit  and only include ageit(2)?  Respond by referencing the models with two-way fixed effects (iii and iv).  Further, what might the reason be for including ageit(2)/104  instead of just ageit(2)?

7. Are the FE estimators (ii) and (iii) consistent if ρ  0?  Explain and discuss which of the four estimators in the table is your preferred estimator based on the reported results and why.

8.  The estimated coefficient for model (iv) is smaller than the estimated coefficient for model (iii).  Does this mean that model (iv) predicts that MLS has smaller effects on PHI than model (iii)? Discuss.

Section 2

There are two important meanings of “spurious regression” in econometrics. First, a large/significant regression coefficient may not measure a causal effect.  We have dealt with this topic extensively in this subject.

The second meaning of “spurious”  often arises in the context of time series regression:  A large/significant regression coefficient may be a type I error; i.e., there is no correlation in the population, but the sample statistic indicates there is. In this section, you will use simulations to explore this type of spurious regression.

The section is designed so that the information in the questions and your progressive answers are sufficient to learn and understand the concept, causes, and some solutions for spurious re- gression in time series.  However, if you want additional information, you can additionally use the following sections from the textbooks as background readings:  Wooldridge 18.3 (“Spurious regression”), Stock & Watson 15.7 (“Nonstationarity I: Trends”; in particular, subsection “Spurious regression”).

Consider a simple regression of the time series Yt  on the time series Xt  with 400 periods (T = 400):

Yt = β0 + β1Xt + Ut,        t = 1, . . . , 400.

Throughout the section, Yt  and Xt  are not related to each other, so that β 1 = 0. The interest lies in the estimated β 1  and the result of testing H0  : β 1 = 0.

9.  To begin, consider a baseline scenario where there is no spurious regression problem.  Let Yt  ~ N (0, 1) and Xt  ~ N (0, 1).  Simulate 5,000 repeated samples or replications from this DGP. In each replication, regress Yt  on Xt, and save βˆ1  and the p-value of the significance test of βˆ1 . You can use the following R code:

rm(list  =  ls())

set .seed(2022)

n  <-  400

reps  <-  5000

beta1 .hat  <- matrix(nrow=reps, ncol=1)

pval .beta1  <- matrix(nrow=reps, ncol=1)

for  (j  in  1:reps){

y  <-  rnorm(n)

x  <-  rnorm(n)

eq  <-  summary(lm(y~x))

beta1 .hat[j]  <-  eq$coefficients[2,1]

pval .beta1[j]  <-  eq$coefficients[2,4]

}

– Show a figure of the histogram for βˆ1 .

– Report the estimated rejection frequency for the test (to four decimal places).

– Show a time series plot with both Yt  and Xt  for the last simulated sample/replication. Do the histogram and rejection frequencies conform to your expectations? Explain.