PORQUE ELEGIR ENTRE UN MODELO LOGIT O UN MODELO LOGIT

Cuando se desea evaluar la probabilidad de ocurrencia de un evento dadas un conjunto

de variables explicativas, y en el cual solo existen dos posibles respuestas.
1

Resulta necesario, contar con un modelo de estimacin apropiado, que permita obtener
resultados confiables, con el cual se puedan tomar decisiones acertadas respecto a la
situacin analizada, bajo este contexto hay tres mtodos posibles a utilizar, los cuales
son: El modelo lineal de probabilidad, el modelo Logit y el modelo Probit.
El modelo lineal de probabilidad, es un modelo aplicado a una variable dependiente
binaria, la cual presenta varios inconvenientes cuando se estima haciendo uso de los
Mnimos Cuadrados Ordinarios(MCO), al incumplir algunos de sus supuestos bsicos que
permiten la eficiencia del modelo, entre los cuales se pueden mencionar:
1. Heterocedasticidad, lo que hace que el estimador OLS de

sea ineficiente,

2. Los errores no estn normalmente distribuidos

3. El problema de acotamiento dado que es posible que el MLP prediga valores para
la variable dependiente

negativos y mayores que 1.

En este contexto resulta ms razonable optar por otros modelos de estimacin, entre los
cuales tenemos los modelos no lineales Logit y Probit, conocidos tambin como modelos
de respuesta cualitativa, sin embargo, existe una disyuntiva en cuanto a cul de los dos
modelos resulta ms apropiado a la hora de evaluar la probabilidad de ocurrencia de un
evento, dado un conjunto de variables explicativas. Frente a este hecho, resulta
imprescindible sealar algunas de sus caractersticas o particularidades que permiten su
eleccin:
Tanto la densidad de la normal estndar y la densidad de la logstica tienen media cero y
son unimodales y simtricas (Heij, 2004), sin embargo difieren en las desviaciones
estndar, de tal manera que en el modelo logstico corresponde a
modelo Probit equivale a

= /3, y en el

= 1, esto permite que las estimaciones del Logit por tanto

tiendan a ser ms grandes en valor absoluto que las estimaciones Probit (Davidson &

Mackinnon, 2004)Resulta importante notar que los modelos Logit y Probit son
cualitativamente similares, dado que es posible a partir del modelo Logit obtener
coeficientes Probit y a partir del modelo Probit obtener coeficientes Logit (J Scott, 1997).
Por otra parte, cuando se observan las grficas de las funciones de densidad de ambos
modelos, el modelo Logit tiene efectos marginales que son relativamente un poco ms
grandes alrededor de la media y en las colas, pero algo ms pequeos en las dos
regiones del medio (Heij, 2004), es decir la distribucin logit tiene ms masa en las colas
que la distribucin normal, por tanto, en el caso de un numero de observaciones grande y
una gran concentracin de estas observaciones en las colas de la distribucin se
recomienda el uso de un modelo Logit. De ah que segn (Alamilla L & Arauco, 2009)
dada la similitud entre las curvas normal acumulada y acumulada logstica, los resultados
de ambos modelos no difieren mucho entre s, nicamente en la rapidez con que las
curvas se aproximan a los valores extremos, y por tanto la funcin logstica es mas
achatada al alcanzar esta ultima los valores extremos, 0 y 1.

Bibliografa

Alamilla L, N. E., & Arauco, S. (2009). Limitaciones del modelo lineal de probabilidad y
alternativas de modelacin microeconomtrica. Temas de Ciencia y tecnologa,
13(39), 3-12.
Davidson, R., & Mackinnon, J. (2004). EconometrictTheory and methods.
Heij, e. (2004). Econometric Methods with Applications in Business and Economics.
United States: Oxford University Press.
J Scott, L. (1997). Regression Models for categorical. California: SAGE publications.