Está en la página 1de 5

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD CIENCIAS ECONOMICAS

PROFESOR: Dr. VICTOR PEREZ SUAREZ


Practica dirigida N 06
El objetivo de sta prctica es realizar las estimaciones con modelos que tienen como variable
dependiente una variable cualitativa. Nos basaremos en el ejemplo 19.1 del texto Anlisis
Economtrico de E. Greene.
La evaluacin del modelo de eleccin binaria consiste en analizar si una nueva metodologa
didctica resulta eficaz en la enseanza de la economa. Se tiene una muestra de 32 alumnos, con
las siguientes datos para las variables. Donde la variable MEJORA es la dependiente:
MEJORA

Variable binaria que indica si el alumno mejor o no su


rendimiento. Variable endgena observada.

CM

Promedio de las calificaciones anteriores al proceso de aprendizaje del alumno.

NP

Nota del alumno en un examen previo al periodo de aprendizaje.

PSI

Variable binaria que indica si en el periodo de aprendizaje, el alumno estudi con


el nuevo mtodo didctico.

Se trata de estimar la probabilidad de que los calificativos de un alumno mejoraron, por lo tanto eso
indicar que habrn mejorado su rendimiento acadmico (notas), luego de un perodo de
aprendizaje, durante el cual se implement una nueva metodologa de enseanza.
La base de datos que contiene la informacin bsica se llama Grene191.
Existen varios modelos para determinar la probabilidad de los calificativos de los alumnos. Dichos
mtodos son:
1.
Probabilidad lineal (MPL)
2.
Funcin logstica(LOGIT)
3.
Funcin probabilstica(PROBIT)
Para el Mtodo de Probabilidad Lineal(MPL),se tiene la siguiente funcin lineal:

MEJORAi 0 j CM i 2 NPi 3 PSI i Ei

(1)

Al estimar el modelo (1) se puede apreciar: que existen probabilidades mayores que 1 y menores
que 0. Que no existe normalidad de los residuos. Que el valor del r cuadrado no es significativo y
que existe heteroscedasticidad en el modelo, por que la varianza residual depende de la esperanza
condicional de la variable dependiente.
Para el mtodo logstico(LOGIT)

x
Pr ob(Y 1)
( x)
x
1
1 ( x)

d( x)
x

x
d ( x) (1 ) 2

Dr. Vctor Prez Surez

Distribucin Acumulada Logstica

Funcin de densidad

2006

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS


FACULTAD CIENCIAS ECONOMICAS

( x) @ c log istic ( x)

En Eviews. Calculo de la funcin acumulada

' ( x) @ d log istic ( x)

En Eviews. Calculo de la funcin de densidad

Para el mtodo probabilstico


'x

Pr ob(Y 1) (t )dt ( x)

Funcin Acumulativa de Probabilidad.

t2

1 2
' ( x)

Funcin de densidad.

( x) @ cnorm( x)

En Eviews. Calculo de la funcin acumulada.

' ( x) @ dnorm( x)

En Eviews. Calculo de la funcin de densidad.

Los modelos de eleccin binaria(LOGIT, PROBIT), excepto el Modelo de Probabilidad


Lineal(MPL), se estiman utilizando el mtodo de mxima verosimilitud,
Pasos a seguir:
1. Calculemos: los valores medios de las variables independientes.
Variable

Dep=0

Mean
Dep=1

C
CM
NP
PSI

1.000000
2.951905
21.09524
0.285714

1.000000
3.432727
23.54545
0.727273

Dr. Vctor Prez Surez

All
1.000000
3.117188
21.93750
0.437500

2006

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS


FACULTAD CIENCIAS ECONOMICAS

2. Se resuelve la regresin utilizando el mtodo de mxima verosimilitud.


Para el caso LOGIT:
Dependent Variable: MEJORA
Method: ML - Binary Logit
Date: 10/25/01 Time: 15:01
Sample: 1 32
Included observations: 32
Convergence achieved after 5 iterations
Covariance matrix computed using second derivatives
Variable

Coefficient

Std. Error

z-Statistic

Prob.

C
CM
NP
PSI

-13.02135
2.826113
0.095158
2.378688

4.931317
1.262940
0.141554
1.064563

-2.640541
2.237726
0.672235
2.234426

0.0083
0.0252
0.5014
0.0255

Mean dependent var


S.E. of regression
Sum squared resid
Log likelihood
Restr. log likelihood
LR statistic (3 df)
Probability(LR stat)

0.343750
0.384716
4.144171
-12.88963
-20.59173
15.40419
0.001502

Obs with Dep=0


Obs with Dep=1

21
11

S.D. dependent var


Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Avg. log likelihood
McFadden R-squared

0.482559
1.055602
1.238819
1.116333
-0.402801
0.374038

Total obs

32

Para el caso PROBIT:


Dependent Variable: MEJORA
Method: ML - Binary Probit
Date: 10/25/01 Time: 15:05
Sample: 1 32
Included observations: 32
Convergence achieved after 5 iterations
Covariance matrix computed using second derivatives
Variable

Coefficient

Std. Error

z-Statistic

Prob.

C
CM
NP
PSI

-7.452320
1.625810
0.051729
1.426332

2.542472
0.693882
0.083890
0.595038

-2.931131
2.343063
0.616626
2.397045

0.0034
0.0191
0.5375
0.0165

Mean dependent var


S.E. of regression
Sum squared resid
Log likelihood
Restr. log likelihood
LR statistic (3 df)
Probability(LR stat)
Obs with Dep=0
Obs with Dep=1

Dr. Vctor Prez Surez

0.343750
0.386128
4.174660
-12.81880
-20.59173
15.54585
0.001405
21
11

S.D. dependent var


Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Avg. log likelihood
McFadden R-squared
Total obs

0.482559
1.051175
1.234392
1.111907
-0.400588
0.377478
32

2006

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS


FACULTAD CIENCIAS ECONOMICAS

3. Se genera un vector que contenga los valores medios de las variables.


Para el PROBIT, en el archivo GREEN191P:

( x) c(1) c(2) * 3.117188 c(3) * 21.9375 c(4) * 0.4375 0.625540


Para el LOGIT, en el Archivo GREEN191L:

( x) c(1) c(2) * 3.117188 c(3) * 21.9375 c(4) * 0.4375 1.083626


4. Se calcula el factor de escala. Dicho valor es el valor de la variable dependiente cuando se
utiliza el vector de las medias en la funcin de densidad.
Para el PROBIT:
Para el LOGIT:

' ( x) @ d log istic ( x) 0.189

' ( x) @ dnorm( x) 0.328

5. Calculamos el valor de la probabilidad acumulada en las funciones acumulativas.


Para el PROBIT:
Para el LOGIT:

( x) @ c log istic ( x) 0.252821

( x) @ cnorm( x) 0.265808

6. Generemos un factor de escala que sea variable, para ello mantenemos a la variable CM,
utilizando el valor promedio para la variable NP, para la probabilidad condicional de
MEJORA=1, dado PSI=0 y para la probabilidad condicional de MEJORA=1, dado PSI=1.
7. Se calcula PSI1 y PSI0, de la manera siguiente:
PSI1=c(1)+c(2)CM+0.052(21.938)+1.4263
PSI0=c(1)+c(2)CM+0.052(21.938)
8.

Se halla la funcin FDA para PSI1 Y PSI0


FDAPSI1=@cnorm(PSI1) y FDAPSI0=@cnorm(PSI0

9. Luego , se grafica las dos funciones acumulativas FDAPSI1 y FDAPSI0


El efecto marginal del nuevo mtodo didctico es la diferencia entre stas dos funciones.
Esto muestra que la probabilidad de que la nota de un estudiante mejore tras seguir un curso
con la nueva metodologa, es mucho mayor en alumnos con alta calificacin media que en
alumnos con baja calificacin media(CM). Si la calificacin media del estudiante es la
media muestral de esta variable, es decir 3.117, la probabilidad de que mejore su nota
aumentar si ha llevado el nuevo mtodo didctico.

Dr. Vctor Prez Surez

2006

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS


FACULTAD CIENCIAS ECONOMICAS

Grafico de las funciones FDAPSI1 y FDAPSI0 en la ordenada y CM en la abscisa.

10. Para la interpretacin del esquema de regresin de los modelos estimados por el mtodo de
mxima verosimilitud se debe considerar lo siguiente:
10.1 Utilizar la prueba de Wald para determinar si las variable son significativas.
10.2 Similar a la prueba F que se realiza con el mtodo de los mnimos cuadrados.
Se
genera un estadstico Ji-Cuadrado con 3 grados de libertad. Este estadstico se forma
con la verosimilitud logartmica restringida y la verosimilitud logartmica no
restringida. Donde se realiza una prueba conjunta de que los coeficientes de las
variables CM, NP, PSI son todos cero.
10.3 Similar al R cuadrado del mtodo de los Mnimos Cuadrados, se analiza el indicador
MacFadden.

Dr. Vctor Prez Surez

2006