Beruflich Dokumente
Kultur Dokumente
E (Yi X 1i , X 2i ,..., X ki )
Yi 1 2 X i ui
E Yi X i PrYi 1 | X i
Modelo de Probabilidade Linear
Supondo E(ui)=0, para obter estimadores no
tendenciosos. A varincia de Yi tem a seguinte distribuio
de probabilidade:
Yi Prob.
0 1 Pi Se Pi = probabilidade de que Yi = 1
1 Pi
Total 1
0 E (Yi | X i ) 1
Podemos usar MQO?
Modelo de probabilidade linear
Problemas na utilizao de MQO
1. Ausncia de normalidade dos termos de erro ui. Porque
assim como Yi, ui tambm assumem dois valores:
ui Yi 1 2 X i
Yi ui Prob.
Qdo. Yi = 1 1 1 2Xi Pi
Qdo. Yi = 0 1 2Xi 1 - Pi
Yi 0,9457 0,1021X i
Quando X aumenta uma unidade (US$ 1.000) a prob. de
ter casa prpria aumenta sempre na mesma quantia de
0,10.
Independe da renda ser US$8.000, US$10.000 ou
US$22.000
O que seria esperado?
Que a nveis muito baixos ou muito altos a probabilidade de ter
casa prpria no fosse to afetada.
Modelo de probabilidade linear
Problemas na utilizao de MQO
Precisamos de um modelo de probabilidade que
tenha duas caractersticas:
1. A medida que Xi aumenta Pi = E(Yi = 1| Xi) aumenta
mas nunca sai da faixa 0 1
2. A relao entre Pi e Xi no linear, se aproxima de
zero a taxas cada vez menores medida que Xi se
reduz, e se aproxima de 1 a taxas cada vez menores
medida que Xi aumenta muito.
Modelo de probabilidade linear
Problemas na utilizao de MQO
Precisamos de uma curva sigmide, ou em S,
semelhante a FDA de uma v.a.:
1 FDA
0 X
Em geral so escolhidos os modelos (1) logstico
e (2) normal, o primeiro dando origem ao modelo
logit e o sengundo ao probit (ou normit).
Modelo Logit
O modelo de probabilidade linear no caso da casa
prpria era:
Pi E (Yi 1 | X i ) 1 2 X i
1
Pi E (Yi 1 | X i ) ( 1 2 X i )
1 e
Modelo Logit
Resumindo e chamando Zi = 1 + 2Xi teremos:
1 eZ
Pi Z
1 e 1 eZ
1
quando Z i Pi
0
1 e
1
quando Z i Pi 1
1
1
e
0 Pi 1
Problema: Pi no linear em X e em => no podemos
usar MQO
Soluo: linearizar
Modelo Logit
Z
e e Zi
1 Pi 1
1 eZ Pi 1 e Zi
e Zi
1 1 Pi 1
1 Pi
1 e Zi 1 e Zi
A razo de chances a favor da
Tirando o logaritmo: posse da casa prpria.
Pi = 0,8 => h 4 chances contra 1
Pi
Li ln Z i a favor de a famlia possuir casa
1 Pi
prpria.
Pi
Li ln 1 2 X i
1 Pi
Denominado Logit
Modelo Logit - Caractersticas
1. Quando passa de 0 a 1 (isto , quando Z varia de - a
+), o logit L varia de - a +. As probabilidades so
limitadas entre 0 e 1, os logits no.
2. Embora L seja linear em X as probabilidades no o so.
3. Podemos incluir quantos regressores forem necessrios.
4. O coeficiente angular mede a variao de L em resposta
a uma unidade de variao em X, isto , nos diz o
quanto o logaritmo das chances favorveis ao evento de
interesse variam em resposta a uma unidade de variao
na varivel independente.
5. O intercepto d as chances favorveis quando a varivel
independente igual a zero. Como na regresso linear
pode no ter sentido prtico.
Modelo Logit - Caractersticas
6. Se quisermos no as chances favorveis ao
evento de interesse mas a prpria probabilidade
do evento isso pode ser feito pela expresso:
Z
1 e
Pi Z
1 e 1 e Z
Usar MQP
Estimativa da varincia:
1
2
N i Pi (1 Pi )
Modelo Logit Dados Agrupados - Estimao
Etapas para estimao da regresso logit:
1. Para cada nvel de renda:
ni
P
Ni
P
Li ln i
1 Pi
Modelo Logit Dados Agrupados - Estimao
Etapas para estimao da regresso logit:
3. Transformamos:
Pi
Li ln 1 2 X i ui
1 Pi
em
wi Li 1 wi 2 wi X i wi ui
L*i 1 wi 2 X i* vi
onde :
wi N i Pi (1 Pi )
L*i Li transformado
X i* X i transformado
vi termo de erro transformado
Modelo Logit Dados Agrupados - Estimao
Etapas para estimao da regresso logit:
4. Estimamos por MQO sem intercepto.
5. Avaliar coeficiente pelos mtodos tradicionais de
intervalo de confiana ou teste de hipteses.
Lembrando que as concluses sero vlidas se as
amostras forem grandes.
Pi 1, 59474 wi 0 , 07862X i*
e
1 Pi
1, 59474 wi 0 , 07862X i*
e e
Modelo Logit Dados Agrupados - Interpretao
Pi 1, 59474 wi 0 , 07862X i*
e
1 Pi
1, 59474 wi 0 , 07862X i*
e e
e0,07862 = 1,0817
Para cada unidade de aumento da renda ponderada, as chances
ponderadas favorveis a posse da casa prpria aumentam em cerca
de 8,17%.