Aplicacin de modelos Binarios*

Draft v.2016-2

J HON O RTEGA G ARCIA

Universidad Nacional Mayor de San Marcos

1. Probabilidades predichas
1.1. Rango de probabilidades
Una vez estimado el modelo (logit o probit) podemos obtener el rango de probabilidades. Para
ello debemos identificar los valores extremos de cada variable. El extremo inferior esta definido
como:
mn xik si k 0
(


xk = i
max xik si k < 0
i

donde xk es el vector cuyo k-simo elemento es

xk
El extremo superior sera: (
max xik si k 0

=
x i
k
mn xik si k < 0
i

donde
es el vector cuyo k-simo elemento es
xk

x k

La Probabilidad Mnima es:

Pr y = 1|

= F

x x

La Probabilidad

Mxima es:




Pr y = 1| x = F x

y el rango de probabilidades es la diferencia entre ellos.

1 use binlfp2, lear

2 set more off
3 qui ds
4 qui probit `r(varlist)' //k5 k618 age w h lwg in , nolog
5 lo al ind k5 k618 age w h lwg in
6
7 forea h x of lo al ind{
8 qui sum `x'
9 if _b[`x'<0 {
10 lo al `x'_min=`r(max)'
11 lo al `x'_max=`r(min)'
12 }
13 else {
14 lo al `x'_min=`r(min)'
15 lo al `x'_max=`r(max)'
16 }
17 }
*
Notas de apoyo para clases practicas de Econometra II

1
18
19 di "Probabilidad del extremo Superior"
20 prvalue, x(k5=`k5_max' k618=`k618_max' age=`age_max' ///
21 w =`w _max' h =`h _max' lwg=`lwg_max' in =`in _max')
22
23 di "Probabilidad del extremo inferior"
24 prvalue, x(k5=`k5_min' k618=`k618_min' age=`age_min' ///
25 w =`w _min' h =`h _min' lwg=`lwg_min' in =`in _min')

1.2. Probabilidades predichas mximas y mnimas de una variable

La Probabilidad Mnima
es:
Pr y = 1|xk , mn xk

La Probabilidad Mxima
es:

Pr y = 1|xk , max xk
y el rango de probabilidades es la diferencia entre ellos.



Pr y = 1|xk , max xk Pr y = 1|xk , mn xk

1 use binlfp2, lear

2 set more off
3 qui ds
4 qui probit `r(varlist)' //k5 k618 age w h lwg in , nolog
5 lo al ind k5 k618 age w h lwg in
6
7 forea h x of lo al ind{
8 qui sum `x'
9
10 di "probabilidad predi ha en el Maximo de `x'"
11 prvalue,x(`x'=`r(max)') rest(mean)
12 qui sum `x'
13
14 di "probabilidad predi ha en el Minimo de `x'"
15 prvalue,x(`x'=`r(min)') rest(mean)
16 }

1.3. Graficando las probabilidades predichas

1 use binlfp2, lear

2 set more off
3 qui ds
4 qui probit `r(varlist)' //k5 k618 age w h lwg in , nolog
5
6 prgen age, from(24) to(60) generate(w 1) x(w =1) rest(mean) n(20)
7 label var w 1p1 "Tiene estudios superiores"
8 prgen age, from(24) to(60) generate(w 0) x(w =0) rest(mean) n(20)
9 label var w 0p1 "No tiene estudios superiores"
10 graph twoway onne ted w 1p1 w 0p1 w 1x, ///
11 xtitle("Age") ytitle("Pr(Obtiene trabajo)") ///
12 ylabel(0(.25)1) xlabel(24(5)60)

2
 1 .75
Pr(Obtiene trabajo)
.5 .25
0

24 29 34 39 44 49 54 59
Edad

Tiene Estudio superior No tiene Estudio superior

1 use binlfp2, lear

2 set more off
3 qui ds
4 qui probit `r(varlist)' //k5 k618 age w h lwg in , nolog
5
6 * Predi iones para Age=30
7 prgen in , from(0) to(100) generate(p30) x(age=30) rest(mean) n(11)
8 label var p30p1 "Edad=30"
9 * Predi iones para Age=40
10 prgen in , from(0) to(100) generate(p40) x(age=40) rest(mean) n(11)
11 label var p40p1 "Edad=40"
12 * Predi iones para Age=50
13 prgen in , from(0) to(100) generate(p50) x(age=50) rest(mean) n(11)
14 label var p50p1 "Edad=50"
15 * Predi iones para Age=60
16 prgen in , from(0) to(100) generate(p60) x(age=60) rest(mean) n(11)
17 label var p60p1 "Edad=60"
18
19 * list p30p1 p40p1 p50p1 p60p1 p60x in 1/11
20 graph twoway onne ted p30p1 p40p1 p50p1 p60p1 p60x, ///
21 ytitle("Pr(Obtiene trabajo)") ylabel(0(.25)1) xtitle("Ingreso Familiar")

3
 1 .75
Pr(Obtiene trabajo)
.25 .50

0 20 40 60 80 100
Ingreso Familiar

30 aos 40 aos
50 aos 60 aos

Intervalos de confianza

1 use binlfp2, lear

2 set more off
3 qui ds
4 qui probit `r(varlist)' //k5 k618 age w h lwg in , nolog
5
6 prgen age, from(20) to(70) generate(prlfp) rest(mean) gap(2) i
7 label var prlfpp1 "Probabilidad predi ha"
8 label var prlfpp1ub "95 % limite superior"
9 label var prlfpp1lb "95 % limite inferior"
10 label var prlfpx "Edad"
11
12 * Dibujando intervalos de onfianza
13 twoway ///
14 ( onne ted prlfpp1 prlfpx, ///
15 l olor(bla k) lpat(solid) lwidth(medthi k) ///
16 msymbol(i) m olor(none)) ///
17 ( onne ted prlfpp1ub prlfpx, ///
18 msymbol(i) m olor(none) ///
19 l olor(bla k) lpat(dash) lwidth(thin)) ///
20 ( onne ted prlfpp1lb prlfpx, ///
21 msymbol(i) m olor(none) ///
22 l olor(bla k) lpat(dash) lwidth(thin)), ///
23 ytitle("Probabilidad de obtener trabajo") ys ale(range(0 .35)) ///
24 ylabel(, grid glwidth(medium) glpattern(solid)) ///
25 xs ale(range(20 70)) xlabel(20(10)70)

4
 1
Probabilidad de obtener trabajo
.2 .4 0 .6 .8

20 30 40 50 60 70
Edad

Probabilidad predicha 95% limite superior

95% limite inferior

Tabla de Probabilidades predichas

1
2 use binlfp2, lear
3 set more off
4
5 // Tabla de probabilidades predi has on "prtab"
6
7 logit lfp k5 k618 age w h lwg in , nolog
8
9 *Usando prvalue para la misma informa ion
10 prvalue, x(k5=0 w =0) rest(mean) brief
11 prvalue, x(k5=1 w =0) rest(mean) brief
12 prvalue, x(k5=2 w =0) rest(mean) brief
13 prvalue, x(k5=3 w =0) rest(mean) brief
14
15 prtab k5 w , rest(mean)

Cuadro 1: Tabla de Probabilidades predichas

Numero de hijos Probabilidad predicha
menores 6 aos Superior No superior Diferencia
0 0.6069 0.7758 -0.1689
1 0.2633 0.4449 0.1816
2 0.0764 0.1565 0.0801
3 0.0188 0.0412 -0.0224

2. Cambio parcial
2.1. Cambio parcial sobre la variable latente
La variable latente se relaciona con las variables independientes de la siguiente forma:
yi = xi + i
yi
= i
xi

5
 Para un unitario en xk , se espera que y incremente en k , manteniendo las dems
variables constantes.

y-estandarizado
s k
k y = , y = x +
y
s
Para un incremento unitario en xk , se espera que y incremente en k y desviaciones
estandard, manteniendo las dems variables constantes.

Completamente estandarizado
k k
ks =
y

Para un incremento de una desviacin estandard en xk , se espera que y incremente

en ks desviaciones estandard, manteniendo las dems variables constantes.

2.2. Cambio parcial sobre la probabilidad

La probabilidad de que la variable dependiente observada sea igual a 1 y = 1 se relaciona con
las variables independientes:
Pr (y = 1|x) = F (xi ) + i

Pr (y = 1|x) F (xi )
=
xk xk
Si F () es una distribucin normal

Pr (y = 1|x)

= f xi k
xk

Si F () es una distribucin logstica

Pr (y = 1|x)
= Pr (y = 1|x) Pr (y = 0|x) k
xk

Media del cambio parcial

n
Pr (y = 1|x) X

= n1 f xi k
xk
j=1

Cambio parcial en la media

Pr (y = 1|x) F (x )
=
xk xk

1 use binlfp2, lear

2 set more off
3 logit lfp k5 k618 age w h lwg in , nolog
4 mfx, at(w =1 age=40)

6
 Cuadro 2: Cambio en probabilidad predicha Pr (yi = 1|xi )
dy
Variable dx Std-Err z P > |z| [95 %C.I] x
k5 -0.28 0.04 -6.64 0.000 -0.36 -0.20 0.24
k618 -0.01 0.01 -0.95 0.343 -0.04 0.01 1.35
age -0.01 0.00 -4.92 0.000 -0.02 -0.01 40.00
wc* 0.18 0.05 3.80 0.000 0.09 0.27 1.00
hc* 0.02 0.04 0.53 0.593 -0.06 0.10 0.39
lwg 0.12 0.03 3.59 0.000 0.05 0.18 1.10
inc -0.01 0.00 -4.05 0.000 -0.01 -0.00 20.13
*dy/dx es cambio discreto 0 1 para variables dummy.

3. Cambio discreto
Cambio no centrado




Pr yi = 1|xk , xk = Pr yi = 1|xk , xk = x0 + Pr yi = 1|xk , xk = x0

Cambio centrado
   


Pr yi = 1|xk , xk = Pr yi = 1|xk , xk = x0 + Pr yi = 1|xk , xk = x0
2 2

1 use binlfp2, lear

2 set more off
3 logit lfp k5 k618 age w h lwg in , nolog
4
5 pr hange age, x(w =1 age=40) help brief
6 mfx, at(w =1 age=40)
7 pr hange, x(w =1 age=40) help brief
8 pr hange k5 age w lwg in , fromto

Cuadro 3: Cambios Discretos

mn max 01 12 sd
2 Marg Effect
k5 -0.7544 -0.3178 -0.2765 -0.1464 -0.2805
k618 -0.1067 -0.0120 -0.0124 -0.0163 -0.0124
age -0.3940 -0.0017 -0.0121 -0.0971 -0.0121
wc 0.1802 0.1802 0.1541 0.0696 0.1548
hc 0.0213 0.0213 0.0214 0.0105 0.0214
lwg 0.6129 0.1337 0.1157 0.0681 0.1159
inc -0.6780 -0.0044 -0.0066 -0.0768 -0.0066

mn max: change in predicted probability as x changes from its minimum to its maximum
0 1: change in predicted probability as x changes from 0 to 1
12 : change in predicted probability as x changes from 1/2 unit below base value to 1/2 unit above
sd
2
: change in predicted probability as x changes from 1/2 standard dev below base to 1/2 standard dev above
Marg Efct: the partial derivative of the predicted probability/rate with respect to a given independent variable

4. Interpretacin usando el ratio Odds

7
 1 // Ratio odds usando -list oef-
2
3 list oef, help
4 list oef, reverse
5 list oef, per ent

Cuadro 4: Ratio Odds

z P > |z| eb ek sk sk
k5 -1.4629 -7.426 0.000 0.232 0.465 0.524
k618 -0.0646 -0.950 0.342 0.937 0.918 1.320
age -0.0629 -4.918 0.000 0.939 0.602 8.073
wc 0.8073 3.510 0.000 2.242 1.438 0.450
hc 0.1117 0.542 0.588 1.118 1.056 0.488
lwg 0.6047 4.009 0.000 1.831 1.427 0.588
inc -0.0344 -4.196 0.000 0.966 0.670 11.635
constant 3.1821 4.938 0.000 - - -

b = raw coefficient
z = z-score for test of = 0
P > |z| = p-value for z-test
eb = factor change in odds for unit increase in X
esx = change in odds for SD increase in X
sx = standard deviation of X