Beruflich Dokumente
Kultur Dokumente
RESPUESTA CUALITATIVA
Captulo 15 Gujarati
MODELOS DE REGRESIN DE
RESPUESTA CUALITATIVA
La regresada, la variable dependiente o la variable de
respuesta Y no es cuantitativa.
Regresada es una variable binaria,
polictoma (o de categora mltiple).
dictoma,
Probabilidad condicional
de que el suceso tenga
lugar dado
Pr
=
1-
1
1
Total
Total
1
1
0
Restriccin
DISTRIBUCIN DE BERNOULLI
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso 1 - p,
podemos construir una funcin de probabilidad:
1 x
P( x) p (1 p )
x
x 0,1
ajuste.
...
..
A 0
No sale de la banda
lgica de 0 y 1
...
0
..
B
MLP
MLP (restringido o
truncado)
elevado por dispersin
observada concentrada
alrededor de puntos A y B
EJEMPLO DE MLP.
SS
df
MS
Number of obs =
-------------+-----------------------------Model | 8.0274948
Residual | 1.9475052
F( 1,
Total |
9.975
38) = 156.63
1 8.0274948
Prob > F
38 .051250137
R-squared
-------------+------------------------------
40
= 0.0000
= 0.8048
39 .255769231
Root MSE
= .22638
-----------------------------------------------------------------------------Y|
Coef.
Std. Err.
P>|t|
-------------+---------------------------------------------------------------X|
.102131
.0081605
12.52 0.000
-7.70 0.000
.085611
.118651
-1.194366 -.6970066
EJEMPLO DE MLP.
X = 12.000 USD
INTRODUCCIN
A diferencia de la regresin lineal que suele hacer uso
de los mtodos de estimacin por Mnimos Cuadrados),
en la regresin logstica se emplean los mtodos de
Mxima Verosimilitud (MV) para llevar a cabo la
estimacin de los parmetros del modelo.
En economa, estos modelos de regresin con variable
endgena categrica suelen emplearse para explicar la
decisin Y que toma un individuo -de entre un nmero
limitado de posibles opciones- a partir de un conjunto
de variables explicativas X1, X2, ..., Xk.
EL MODELO LOGIT
Funcin de distribucin
logstica
Donde =
Razn de probabilidad
EL MODELO LOGIT
En funcin de datos
Datos de nivel individual
EL MODELO LOGIT
En funcin de datos agrupados
glogit n N x
Mnimos cuadrados
ponderados
Number of obs
F( 1,
8)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
10
210.64
0.0000
0.9634
0.9588
.15219
-----------------------------------------------------------------------------|
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x |
.0792593
.0054611
14.51
0.000
.0666659
.0918527
_cons | -1.607727
.1110547
-14.48
0.000
-1.86382
-1.351634
------------------------------------------------------------------------------
0:
1:
2:
3:
4:
5:
log
log
log
log
log
log
likelihood
likelihood
likelihood
likelihood
likelihood
likelihood
Logistic regression
Log likelihood = -12.889633
=
=
=
=
=
=
-20.59173
-13.259768
-12.894606
-12.889639
-12.889633
-12.889633
Number of obs
LR chi2(3)
Prob > chi2
Pseudo R2
=
=
=
=
32
15.40
0.0015
0.3740
-----------------------------------------------------------------------------Calificacion |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------GPA |
2.826113
1.262941
2.24
0.025
.3507938
5.301432
TUCE |
.0951577
.1415542
0.67
0.501
-.1822835
.3725988
PSI |
2.378688
1.064564
2.23
0.025
.29218
4.465195
_cons | -13.02135
4.931325
-2.64
0.008
-22.68657
-3.35613
------------------------------------------------------------------------------
LR
= razn de verosimilitud,
reemplaza a la prueba F.
Para
el
anlisis
de
los
coeficientes se debe tomar el
antilogaritmo.
Ejemplo: PSI = 10,7897
10 12 14 16 18 20 22 24 26 28 30 32
CALIFICACION Residuals
LECTURA DE COEFICIENTES
Adems, en este tipo de modelos no resulta posible interpretar directamente las estimaciones
de los parmetros , ya que son modelos no lineales. Lo que haremos en la prctica es fijarnos
en el signo de los estimadores. Si el estimador es positivo, significar que incrementos en la
variable asociada causan incrementos en P(Y = 1) (aunque desconocemos la magnitud de los
mismos). Por el contrario, si el estimador muestra un signo negativo, ello supondr que
incrementos en la variable asociada causarn disminuciones en P(Y = 1).
MODELO PROBIT
El modelo logit utiliza una Funcin logstica acumulativa
(FLA).
El modelo probit (normit) utiliza una FDA.
El probit depende de un ndice de conveniencia no
observable (variable latente), determinado por
diversas variables explicativas.
Como se relaciona el ndice con las decisiones reales. Se
supone que cada familia o persona tiene un nivel crtico
MODELO PROBIT
El probit supone que los errores tienen una distribucin
normal. Con el supuesto de normalidad se calcula de la
manera siguiente:
Probabilidad que un
suceso ocurra dado
valores de X
= P = P= F
Variable
normal
estandarizad
a
Z N(0,
0:
1:
2:
3:
4:
5:
log
log
log
log
log
log
likelihood
likelihood
likelihood
likelihood
likelihood
likelihood
=
=
=
=
=
=
-20.59173
-13.259768
-12.894606
-12.889639
-12.889633
-12.889633
Logistic regression
Number of obs
LR chi2(3)
Prob > chi2
Pseudo R2
=
=
=
=
32
15.40
0.0015
0.3740
-----------------------------------------------------------------------------calificacion |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------gpa |
2.826113
1.262941
2.24
0.025
.3507938
5.301432
tuce |
.0951577
.1415542
0.67
0.501
-.1822835
.3725988
psi |
2.378688
1.064564
2.23
0.025
.29218
4.465195
_cons | -13.02135
4.931325
-2.64
0.008
-22.68657
-3.35613
-----------------------------------------------------------------------------probit calificacion gpa tuce psi
Iteration
Iteration
Iteration
Iteration
Iteration
0:
1:
2:
3:
4:
log
log
log
log
log
likelihood
likelihood
likelihood
likelihood
likelihood
Probit regression
Log likelihood = -12.818803
=
=
=
=
=
-20.59173
-12.908126
-12.818963
-12.818803
-12.818803
coeficientes
Number of obs
LR chi2(3)
Prob > chi2
Pseudo R2
=
=
=
=
32
15.55
0.0014
0.3775
-----------------------------------------------------------------------------calificacion |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------gpa |
1.62581
.6938825
2.34
0.019
.2658255
2.985795
tuce |
.0517289
.0838903
0.62
0.537
-.1126929
.2161508
psi |
1.426332
.5950379
2.40
0.017
.2600795
2.592585
_cons |
-7.45232
2.542472
-2.93
0.003
-12.43547
-2.469166
------------------------------------------------------------------------------