Ensayos

Limitaciones del modelo lineal de

probabilidad y alternativas de modelacin
microeconomtrica
Resumen

Abstract

Rsum

En este artculo se examinan tres mtodos

para desarrollar modelos de probabilidad
para una variable de respuesta binaria:
modelo lineal de probabilidad (MLP),
modelo Logit y el modelo Probit. Los
resultados indican que el modelo lineal
de probabilidad no es capaz de dar una
respuesta adecuada a los procesos de
decisin dicotmica. Por esta razn, se
sugiere un planteamiento no lineal de
los modelos de eleccin discreta qu, sin
duda, solucionan algunos de los problemas asociados al MLP.

Three methods are examined to develop this model of probability for

a variable of binary answer: linear
model of probability (LMP), model
logit and the model probit. The results
indicate that the linear model of probability is not able to give a suitable
answer to the processes of discreet
decision. Therefore a nonlinear exposition of the models of double election
is suggested that, without a doubt, will
solve some of the associated problems
with the LMP.

Dans cet article, on examine trois mthodes

pour dvelopper des modles de probabilit pour une variable de rponse binaire
: le modle linaire de probabilit (MLP),
le modle Logit, et le modle Probit. Les
rsultats indiquent que le modle linaire de
probabilit nest pas capable de donner une
rponse adquate aux processus de dcision
dichotomique. Cest pourquoi on suggre
la mise en place non linaire des modles
de choix discret qui, sans aucun doute,
apportent une solution certains problmes
associs au MLP.

* M. C. Norma Edith Alamilla-Lpez

M. E. Sigfredo Arauco Camargo.

Palabras clave: Probabilidad, MLP, modelos Logit y Probit.

Introduccin
La respuesta empresarial en una economa global requiere rapidez y
eficiencia en la toma de decisiones dada la exacerbada competencia
provocada por la integracin de mercados y el desarrollo tecnolgico
(comunicacin, electrnica e informtica). En este panorama, para que
la decisin sea efectiva, debe ser racional.
Los fines u objetivos de la empresa pueden ser mltiples, mantener
competitividad, absorber nuevos segmentos de mercados, modernizarse,
etc. Para lograr lo anterior se debe de interpretar de manera operativa
a la empresa mediante la consecucin de valores aadidos en sentido
financiero, que se relacionan con la rentabilidad-seguridad y la solvenciaestabilidad, que se derivan de las razones financieras o comparacin
por cociente de valores con significado para la empresa que sirven para
la toma de decisiones. El anlisis con base en razones tambin puede
utilizarse para determinar probabilidades y tendencias; sealar los puntos
* Profesores Investigadores de la
Universidad Tecnolgica de la
Mixteca

dbiles en el negocio y sus principales fallas, siempre que se tenga

cuidado en escoger relaciones proporcionales. Alfredo Prez Harris (2000).
Se desarrolla un planteamiento terico con la intencin de evidenciar

Temas de Ciencia y Tecnologa

vol. 13

nmero 39

septiembre - diciembre 2009

pp 3 - 12

la inconsistencia terica del MLP. En la primera parte se

1.1 Modelo lineal de probabilidad (MLP)

desarrollan modelos de respuesta binaria presentando

Consideremos el siguiente modelo:

primero el Modelo Lineal de Probabilidad (MLP); sin

Yi = xit + i ,

embargo, la forma funcional tiene algunas limitaciones

cuando se estima por Mnimos Cuadrados Ordinarios
(MCO), ya que no responden algunos supuestos bsicos

modelo de este tipo de ecuaciones en donde la

que lo hagan eficientes. Por ejemplo, el coeficiente de

2
determinacin en base a la R tiene un valor limitado

variable independiente es dicotmica y es funcin

en los modelos de respuesta dicotmica, la normalidad

Modelo lineal de probabilidad.

de las variables explicativas

xi

se denomina

de las perturbaciones no asegura que tenga una

La distribucin de la muestra en este tipo de

distribucin normal, hay estimaciones no acotadas y

modelos se caracteriza por mostrar una nube de

puede existir heterocedasticidad. Lo anterior restringe

puntos de tal forma que las observaciones muestrales

la bondad del MLP. En la segunda parte y dado el

se dividen en dos subgrupos. Uno de los cuales es el

inconveniente se sugiere la aplicacin de modelos de

formado por las observaciones en las que ocurri el

respuesta binaria como los modelos Logit y Probit; que

hecho objetivo de estudio, es decir cuando

tpicamente son estimados por el mtodo de mxima

otro, por los puntos muestrales en los que no ocurri,

verosimilitud, debido a que este estimador tiene buenas

es decir,

propiedades. En particular, es asintticamente eficiente,

es decir, es un estimador mas preciso.

Yi = 1 , y el

Yi = 0 .

El modelo lineal de probabilidad, se puede

interpretar en trminos probabilsticos, en el

En la tercera etapa se ilustra el modelo lineal de

sentido de que un valor concreto de la recta de

probabilidad al caso del grupo Cemex para confirmar

regresin mide la probabilidad de que ocurra el

la consistencia del modelo Logit y Probit. Finalmente

hecho objetivo de estudio. Es decir,

se desarrollan las conclusiones pertinentes.

considerar como la estimacin de la probabilidad

1. Modelos de eleccin binaria

Yi

se puede

de que ocurra el hecho objetivo de estudio

Yi = 1

siguiendo el siguiente criterio: Valores prximos

En los modelos de eleccin binaria se supone que los

a cero se corresponde con una baja probabilidad

individuos se enfrentan con una eleccin entre dos

de ocurrencia del hecho estudiado (menor cuanto

alternativas y que la eleccin depende de caractersticas

ms prximos a cero); mientras que a valores

identificables. En esta situacin, la variable endgena

prximos a uno se les asigna una probabilidad

puede tomar dos valores:

elevada de ocurrencia (mayor cuanto ms

Yi = {0,1}, y se pretende

explicar la eleccin hecha por el decisor como funcin

prximos a uno).

de unas variables que le caracterizan y que se denota

por

x i , un vector de dimensin k.

Por otro lado, se tiene que

El propsito de un modelo de eleccin cualitativa es

E (Yi | xi ) = xit

determinar la probabilidad de que un individuo con un

conjunto determinado de atributos har una eleccin en
lugar de la alternativa. De manera ms general, lo que se

ya que se supone que

pretende es encontrar una relacin entre un conjunto de

atributos que describen a un individuo y la probabilidad
de que el individuo har la eleccin determinada.
En este trabajo, se considera las variables exgenas

Yi = 1 y

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

Yi

Yi = 0 .

es

Yi ~ Ber ( Pi ) ,

El primer trabajo terico que fue desarrollado para

al Modelo Lineal de probabilidad (MLP).

1- Pi es la probabilidad de que

La distribucin de

endgena liq (liquidez).

como una extensin del Modelo lineal general, y dio paso

E ( i ) = 0 .

Adems se tiene que Pi es la probabilidad de que

pa (prueba cida) y vtas (ventas) y como variable

estudiar modelos con variables dicotmicas se plante

(1)

donde

f ( y i ) = Pi yi (1 Pi )1 yi

Ensayos

para yi =0,1.

E (Yi ) = 0(1 Pi ) + 1(Pi ) = Pi

Yi = 1 , i = 1 xit y cuando Yi = 0 ,
i = xit , entonces no podemos suponer que los

cuando
(2)

estn normalmente distribuidos.

comparando (1) con (2) tenemos que :

B. Varianza heterocedstica de los errores

E (Yi | xi ) = Pi

Aunque

E ( i ) = 0 y E ( i j ) = 0 para i j , no se

puede satisfacer la condicin de que las perturbaciones

entonces la esperanza condicional de puede interpretarse como la probabilidad condicional de

Yi .

sean homocedsticas. Tenemos que

A continuacin se demuestra un teorema.

Teorema.

Yi

0 P(Yi ) 1

Demostracin. Por axioma de la probabilidad se tiene

que

0 P(Yi )

Pi

1 xit

adems,

Probabilidad

1- Pi

xit

P(Yi = y i ) + P(Yi y i ) = 1
Por definicin
entonces

Var ( i ) = E [ i E ( i )]

P(Yi = y i ) = 1 P(Yi y i )

= E[ i2 2 i E ( i ) + E 2 ( i )] = E ( i2),
),

otra vez por axioma tenemos que

entonces

0 P(Yi y i ) ,
por lo tanto

E ( i2 ) = 12 P ( 1 ) + 22 P ( 2 ) ,

P(Yi = y i ) 1 .

pero

Esto nos indica que el valor esperado condicional de

Yi

dado

xi

= ( xit ) 2 (1 Pi ) + (1 xit ) 2 Pi

E ( i2 ) = ( xit ) 2 (1 xit ) + (1 xit ) 2 ( xit )

tendra que estar entre 0 y 1, es decir

de aqu tenemos que

0 E (Yi | xi ) 1 .

E ( i2 ) = ( x it )( 1 x it ) x it + 1 x it

Dado el modelo 1 Porque no utilizar el mtodo estndar

de mnimos cuadrados ordinarios (MCO)? Veamos
algunos problemas a los que se enfrenta esta situacin:
A. No normalidad de las perturbaciones

Para MCO no es necesario suponer que los

= ( x it )( 1 x it )
por lo tanto

E ( i2 ) = E (Yi | xi )[1 E (Yi | xi )]

son

normales, sin embargo se supone as para efectos

= Pi (1 Pi )

de inferencia estadstica (estimacin, contraste, etc).

Aqu vemos claramente que la varianza de

Sin embargo el supuesto de normalidad no es vlido

del vector de caractersticas por lo que no son varianza

para los MLP debido a que como ocurre con los

homocedsticas (iguales) si no heterocedsticas.

los

toma slo dos valores ya que:

Yi ,

depende

Se sabe que en presencia de heterocedasticidad, los

estimadores de MCO a pesar de ser insesgados no son

i = Yi xit

Limitaciones del modelo lineal de probabilidad...

eficientes (estimadores insesgados de mnima varianza).

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

comnmente para representar los modelos de

C. El hecho que no se cumpla

respuesta 0-1 son : 1) funciones logsticas 2) funciones

0 E (Yi | xi ) 1
Dado que

E (Y | x)

normales, donde la primera da origen al modelo Logit

en los modelos de probabilidad

lineal mide la probabilidad condicional de que ocurra

y la segunda al modelo Probit.

el evento Y dado x, dicha esperanza debera estar

2. Modelos Probit y Logit

necesariamente comprendida entre 0 y 1. Aunque esto

Dadas las dificultades asociadas con el modelo

es verdad a priori, no se puede garantizar que

lineal de probabilidad, es natural transformar el

Yi , los

E (Y | x) , cumplan necesariamente

modelo original de tal forma que las predicciones

esta restriccin, lo que constituye el mayor problema

caigan en el intervalo [0,1]. Es decir, para asegurar

de la estimacin utilizando MCO del MPL.

que P caiga entre 0 y 1, se requiere una funcin

estimadores de

Existen dos mtodos para saber si los estimadores

Yi

estn efectivamente entre 0 y 1:

montona positiva que mapee el predictor lineal

= 0 + 1 x1 + 2 x 2 = x t

al intervalo [0,1].

Entonces debera adoptarse un modelo bajo el cual

a) El primero consiste en estimar el MPL por el
mtodo de MCO y ver si los

Yi

se encuentran

los valores de Pi estn restringidos al intervalo [0,1].

Una forma muy conveniente de restringir la forma
funcional es la siguiente:

entre 0 y 1

Pi ( i ) = F ( xit )

b) Disear una tcnica de estimacin que garantice que las probabilidades condicionales
estimadas estn entre 0 y 1.
D. Valor cuestionable del R2 como medida de la

en donde

F ()

es una funcin de distribucin

acumulada (FDA). La cual es una funcin diferenciable

montona creciente con dominio

y rango [0,1].

El modelo no lineal sera el siguiente:

bondad del ajuste.

El coeficiente de correlacin lineal R2, considerado

Yi = F ( xit ) + i ,

convencionalmente tiene un valor limitado en los

modelos de respuestas dicotmicas.
Cada coeficiente de la pendiente proporciona
la tasa de cambio que experimenta la probabilidad

con

i = E (Yi | xi ) F ( xit ) .

condicional del evento que est aumentando ante un

cambio dado en una unidad en el valor de la variable
explicativa.

Pi = E (Y = 1 | x)
x , lo cual implica que el

En el MPL se asume que

aumenta linealmente con

pero una muy particular, en el sentido de que las

variables exgenas afectan la variable endgena

xit , que luego es

F () de manera tal que

a travs de un ndice lineal

constante todo el tiempo.

transformado por la funcin

Se requiere de un modelo (probabilistico) que

1) A medida que xi aumenta,

Pi = E (Y = 1 | x)

aumenta, pero nunca se sita fuera del intervalo [0,1]

2) La relacin entre xi y Pi no es lineal, es decir,
que se acerque a cero a tasas cada vez menores a

F ( xit ) :

1. Obviamente se trata de una funcin no lineal,

incremento marginal o incremental de x permanece

tenga las siguientes caractersticas:

los valores de la misma sean consistentes con los de

una probabilidad.
2. Cmo elegir la funcin

F () ?

La funcin de distribucin acumulada de cualquier

F () .
F () como la distribucin

variable aleatoria continua tiene la propiedad de

Primeramente, si se elige a

medida que xi se hace pequea y que se acerque a las

uniforme acumulada entonces obtenemos la construccin

velocidades cada vez ms lentas a medida que xi se

del modelo de probabilidad lineal.

hace grande (John Aldrich y Forrest Nelson).

Cualquier distribucin de probabilidad acumulada
rene esta condicin. Por razones histricas
como tambin prcticas, la FDA que se escogen
6

Algunas caractersticas de la funcin

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

Aunque son posibles varias alternativas de la FDA,

slo se considerarn dos: la normal y la logstica.
El modelo de probabilidad probit se asocia con la
funcin de distribucin normal acumulada.
Ensayos

1
i = ( x ) =
2
t
i

xit

Z2

muy simple, mientras que la FDA normal involucra una

dZ

integral que no es fcil de evaluar.

2. Interpretabilidad: Una interpretacin ms sencilla

donde Z es la variable normal estndar, es decir

del parmetro estimado es la que se obtiene a travs

Z ~ N (0,1) .

de la linealizacin del modelo.

Adems se tiene que:

i = ( xit ) 1 ( ) = xit .
()

Usando la distribucin logstica

se produce el

modelo logit lineal.

i = ( xit ) =

xit

In
ln i = Inln 1 + e
1
1 i

1 1 x t
1+ e i

e xi

1+ e xit
= Inln 1

1+ e xit

1
t

1 + e xi

e xi

dZ

= ln(e xi ) = xit

1 + e xi

Al cociente entre la probabilidad de que ocurra un

hecho frente a la probabilidad de que no suceda,

La figura 1 muestra las grficas de las distribuciones

se le denomina odds ratio. Su interpretacin es la

normal y logstica.

preferencia de la opcin 1 frente a la opcin 0, es decir,

el nmero de veces que es ms probable que ocurra
un fenmeno frente a que no ocurra.

i
1
i

Odds ratio =In

ln

Dada un variable aleatoria, caracterizada por unos parmetros,

y dada una muestra poblacional, se consideran estimadores
Mximo-Verosmiles de los parmetros de una poblacin
FIG. 1. DISTRIBUCIN ACUMULADA NORMAL Y LOGSTICA.

determinada, aquellos valores de los parmetros que

generaran con mayor probabilidad la muestra observada.

Las diferencias bsicas entre estas dos funciones con

Es decir, los estimadores Mximo-Verosmiles son aquellos

forma de S invertida, residen en el comportamiento

valores para los cuales la funcin de densidad conjunta (o

de las colas, esto es, para valores prximos a 0 o a 1,

funcin de verosimilitud) alcanza un mximo.

tal como puede apreciarse en la figura 1.

Dada la similitud existente entre las curvas de la
normal acumulada y de la acumulada logstica, los

Estimacin de los parmetros en el modelo Probit.

En el caso del modelo Probit, la funcin de verosimilitud es:

resultados estimados por ambos modelos no difieren

mucho entre s, ya que puede apreciarse en la figura

i =1

las curvas se aproximan a los valores extremos y por

Yi

[ ( )] [1 (x )]

L= x

1 que discrepan, nicamente en la rapidez con que

t
i

t
i

1Yi

lo tanto la funcin logstica es mas achatada que la

aqu puede apreciarse que, para cada individuo i, el

normal, al alcanzar esta ltima ms rpidamente los

termino correspondiente en la funcin de verosimilitud

valores extremos, 0 y 1.

es, simplemente,

( xit )

dependiendo de que

A pesar de su similitud, existen dos razones

prcticas que aventajan al modelo Logit:
1. Simplicidad: la ecuacin de la FDA logstica es

Limitaciones del modelo lineal de probabilidad...

1 ( xit ) ,
. Por tanto,

considerando el logaritmo de la verosimilitud se tiene

que:

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

In
ln

L = Yi In
ln ( xit ) + (1 Yi ) In
ln 1 ( xit )

iterativo o algoritmo de optimizacin que permita la

convergencia de los estimadores.

i =1

y, calculando derivadas con respecto al vector

, se

tienen que

3. Aplicacin al caso del grupo Cemex

El problema de la decisin entre dos o mas alternativas
implica el planteamiento de un modelo que considera

n
n
f ( xit )
f ( xit )
ln L
= Yi
+
(
1

)
x
Y
= 0 una variable dependiente que no es cuantitativa,

i
i

( xit )
1 ( xit )
i =1
i =1
es decir, no tiene un valor concreto, sino que es

cualitativa, y se codifica mediante dgitos o categoras,

f ( xit ) = ( xit )

donde

lo que implica elaborar el MLP y modelos binarios.

3.1 Aplicando el modelo MLP

o, equivalentemente
n

i =1

Yi ( x )
f ( xit ) xi = 0
t
t
( xi ) 1 ( xi )
t
i

Especificacin del Modelo Lineal de Probabilidad

(MLP) un individuo se va a enfrentar a un proceso de
decisin entre dos alternativas 0 y 1

El cual se trata de un sistema de k- ecuaciones no lineales.

1
Yi =
0

Estimacin de los parmetros en el modelo Logit.

La especificacin de la decisin se establecera a

Suponiendo que las observaciones son independientes,

travs de la ecuacin:

la funcin de densidad conjunta de las variables

Pr
P
r ob
ob

dicotmicas Yi queda como:

L=

F ( x ) [1 F ( x )] =
t
i

t
i

Yi =1

Yi = 0

i =1Yi ( xit )
n

(1 + e )
n

xit

i =1

Por lo tanto el MLP quedara especificado de la

siguiente manera:

Yi = xit +

o, lo que es lo mismo:
In
ln

i =1

i =1

L = Yi ( xit ) Ln
L
n (1 + e xi )
n

= (Yi x ) L
n (1 + e
i =1

(Y = 1) = xit

t
i

xit

Con el fin de estudiar la decisin operativa de mayor

inventario o mayor liquidez del Grupo Cemex, se

dispone de datos financieros de 1996 al 2004 de forma

trimestral que genera 36 datos como ventas (vtas) y
una razn financiera llamada prueba del cido (pa).

y denotando por

Zt =

se tiene:

Yi xit

Se disea un modelo simple, que se relaciona, a travs

, un vector fila 1xk,

In
ln

L=Z
t

de una ecuacin de comportamiento, una variable

endgena que indica un hecho o suceso que va a

i =1

Ln
L
n

(1 + e

xit

),

tomar dos valores (1,0) para tomar una decisin que

beneficie a la empresa.

i =1

Yi = 1 + 2 x1i + 3 x 2i + i
n

y,

x e
i

xit

ln L
= Z Lni =1 xt = 0 .

1+ e i

donde:

x1i

es una razn financiera denominada la prueba del

cido es decir, Ratios de liquidez que proporcionan una idea

El cual se trata de un sistema de k-ecuaciones no

sobre la capacidad financiera de la empresa para afrontar

lineales por lo que es necesario aplicar un mtodo

los compromisos de pagos contrados por operaciones de

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

Ensayos

financiacin ajena, con vencimiento a corto plazo.

x 2i

se refiere a la variable ventas, es decir, volumen

de venta que mantiene la empresa.

Yi

liquidez, toma dos valores:

1 tomar una decisin operativa a partir de la
existencia de liquidez
0 tomar una decisin operativa a partir de la no

existencia de liquidez
es una variable estocstica.

parmetro estimado. El estadstico t, calculado como

el cociente entre el valor estimado del parmetro y su
desviacin estndar result ser de 4.24 y 2.09 para

2 y

3 respectivamente. Todos estos valores son superiores

al valor en tablas de 1.69 (t, al 5% con n-k grados de

libertad). Con estos resultados queda demostrado
estadsticamente que los valores estimados de los
parmetros son significativamente diferentes de cero.
Finalmente para descartar la autocorrelacin del

Consideramos variable endgena a la variable

modelo se aplica el test de Durbin-Watson, el clculo

liquidez (liq), mientras que las variables prueban del

del estadstico dio un valor de 1.50 y se compar con

cido (pa) y ventas (vtas) son las variables exgenas.

los lmites (para k = 2 y n = 33), inferior 1.32 y superior

Haciendo un anlisis en E-Views considerando el MLP,

1.57de los valores crticos recogidos en la tabla respectiva

y aplicando el mtodo de MCO a las 33 observaciones

al 5% se significacin. Dado que el valor del estadstico

correspondientes a las variables involucradas en el

est en la zona de indecisin pero cercano al lmite

modelo, para los trimestres 199:1 al 2007:1, el modelo

superior de la tabla, quiere decir que no hay evidencia

estimado se presenta entonces de la siguiente manera:

de autocorrelacin.

Con base en las pruebas estadsticas mostradas

= -1.112079088 + 1.948569704*pa +
1.198035913e-07*vtas

anteriormente, se puede concluir que el modelo

planteado explica razonablemente el comportamiento
de la liquidez de la empresa en estudio. Sin embargo,

Se puede comprobar que todos los coeficientes

para concluir satisfactoriamente este anlisis se debe

presentan los signos esperados, la interpretacin de los

de interpretar cuatro criterios propios de los MCO para

coeficientes de regresin es clara, ya que el valor del

sustentar la validez:

coeficiente 1.95 asociado a la variable pa indica, que

A. Estimaciones no acotadas

manteniendo el resto de las condiciones iguales, un

B. Existencia de heterocedasticidad, que hacen del

incremento unitario en la rotacin de liquidez en la

variable pa, provocar un incremento de la probabilidad
igual a 1.95 en trmino medio para que la empresa
disponga de recursos, igual sucede con la variable ventas
con un valor de 1.20.

mtodo MCO ineficientes

C. No normalidad de las perturbaciones
D. El coeficiente de determinacin est subestimado,
es ms pequeo de lo que debera ser.
A. Estimaciones no acotadas: Sometemos el

La validacin estadstica del modelo mediante

modelo al anlisis de las estimaciones no acotadas

el coeficiente de determinacin result ser del

mediante una representacin grfica de la nube de

0.69. Esto quiere decir que el comportamiento de la

puntos para el caso de la variable explicativa prueba

liquidez viene explicado en 69% por el ncleo del

del cido se muestra en la figura 2.

modelo, dejando un 31% a las variables no incluidas.

En este caso, el ncleo del modelo est compuesto
por dos variables Prueba del cido y ventas de la
empresa. La prueba de significancia global a travs
del estadstico F es de 33.22 el cual es superior al
valor de tablas F(k-1;n-k) en donde k es el nmero
de parmetros y n es el nmero de observaciones,
a un nivel de significancia del 5%, demostrando que
existe una relacin altamente significativa entre todas
las variables incluidas en el modelo.
La prueba de significacin individual, se llev a cabo
mediante el estadstico t (Student) aplicado a cada

Limitaciones del modelo lineal de probabilidad...

FIG. 2. GRAFICA DE LA NUBE DE PUNTOS PA VS LIQUIDEZ

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

Mientras que el caso de la variable explicativa ventas

Lo cual nos est mostrando lo dicho tericamente por

se muestra en la figura 2.

el modelo; el valor estimado pueden estar fuera del

rango 0-1, esto puede apreciarse en las dos grficas
anteriores. La estimacin del MLP a travs de MCO no
garantiza que los valores estimados de Yi estn entre
0 y 1, lo cual carece de lgica al interpretar el valor
estimado como una probabilidad.
B. Existencia de heterocedasticidad, que hacen
del mtodo MCO ineficientes: se va a contrastar la
presencia de heterocedasticidad mediante el test
de White.

i = Pi (1 Pi )
White Heteroskedasticity Test:

FIG. 3. GRFICA DE LA NUBE DE PUNTOS PA VS VENTAS.

F-statistic

Al tratar de ajustar un modelo lineal de probabilidad

Obs*R-

se produce lo siguiente:

squared

8.489506

Probability

0.0001299

18.08668

Probability

0.001187

Al graficar los valores predichos no estandarizados

se observa que: los valores predichos no caen dentro

Bajo la hiptesis nula de la homocedasticidad, el

2

de los valores de 0 y 1 considerando las dos variables

estadstico: (nmero de observaciones)* R , se

explicativas pa y ventas.

distribuye segn

con k-1 grados de libertad, y

siendo k el nmero de variables regresoras (incluida

la constante) en la estimacin del modelo. As, se
tiene que: a un nivel de significancia del 5% y 4
grados de libertad el valor en tablas es de 18.15, dado
que el valor calculado del test White no es menor
que el valor en tablas se rechaza la hiptesis nula
de homocedasticidad, por lo tanto se tiene que las
perturbaciones son heterocedsticas.
C. No normalidad de las perturbaciones: El contraste de normalidad de las perturbaciones se realiz
mediante el test Jarque-Bera sobre el residuo de los
modelos estimados
9

Series: RESID
Sample 1999:1 2007:1
Observations 33

8
7

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

6
5
4
3
2

Jarque-Bera
Probability

1
0

-0.6

-0.4

-0.2

0.0

0.2

0.4

2.86E-17
-0.018978
0.585091
-0.503184
0.272449
0.596590
2.975031
1.958416
0.375609

0.6

A travs del histograma y de los valores de los

estadsticos proporcionados, se llega a la conclusin
de que los residuos del modelo estimado se

10

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

Ensayos

distribuyen normalmente. En efecto, el estadstico

de Jarque-Bera se distribuye segn una

grados de libertad y se define como: (JB <

al 95% en funcin del estadstico de Wald.

con dos

Por otro lado, si atendemos a los contrastes basados

) es

en los criterios de informacin de Akaike, Schwarz y

decir se cumple la condicin ya que la 1.9584 < 5.99.

de Hannan-Quinn establecen que mientras ms bajos

Por lo tanto, es normal.

sean sus valores mejor ser el modelo. En el Software

D. El coeficiente de deter minacin est

E-View estos criterios tienen valores muy pequeos

subestimado, es ms pequeo de lo que debera ser.

0.875820, 0.966517, y 0.906336, respectivamente. A

Efectivamente, dado que la suma de los cuadrados de

tenor de ellos, podemos decir que el modelo cumple

los residuos es ms grande de lo habitual afecta a la

satisfactoriamente este requisito, y que por lo tanto es

obtencin del coeficiente de determinacin. (Bernardi

un buen modelo.

Cabrer Borras, 2001).

Por otro lado al ajustar el modelo Logit a la variable

t
t
t
( y xi ) ( y xi )
2

R = 1
n

( yi y) 2

i =1

En el anlisis global de las cuatros razones

mencionadas la normalidad sera el nico criterio
que no especificara la debilidad del MLP mediante

exgena ventas, usando E-Views, las estimaciones que

proporciona son:

1 ( i ) = 2.709290 + 1.60
1.60 E 0.6 * vtas
por lo tanto

i = (2.709290 + 1.60
1.60 E 0.6 * vtas )

el mtodo de MCO, lo que permite concluir que el

MLP no es capaz de dar una respuesta adecuada a los

Todos los coeficientes del modelo resultan

problemas que presentan los procesos de decisin

significativos al 95% en funcin del estadstico de

dicotmica. Por esta razn, se hace un planteamiento

Wald. Anlogamente a los resultados del modelo Logit,

no lineal de los modelos de eleccin dicotmica

si atendemos a los contrastes basados en los criterios

que, sin duda, solucionan algunos de los problemas

de informacin de Akaike, Schwarz y de Hannan-Quinn

asociados con MLP.

que establecen que mientras ms bajos sean sus

Al analizar los datos con los modelos probit y logit,

tenemos los siguientes resultados.

valores mejor ser el modelo, se tiene que los valores

que se obtienen son 0.873079, 0.963776, y 0.903595,

Al analizar la variable liquidez con los variables pa y

respectivamente. A tenor de ellos, podemos decir que

vtas, se tiene que el modelo resulta ser no significativo

el modelo cumple satisfactoriamente este requisito, y

con ninguna de las variables, inclusive resulta que

que lo tanto tambin es un buen modelo.

los estimadores mximo verosmiles no existen, esto

Por lo que cualquiera de los dos modelos pueden

puede ser debido a la alta correlacin que existe entre

utilizarse para efecto de inferencia.

la variable endgena y la variable exgena pa, por lo

Sin embargo, es el modelo Probit el que (ligeramente)

que procedimos a correr el modelo slo con una de

mejor explica estadsticamente la relacin entre la

las variables: Ventas.

liquidez y las ventas.

3.2 Aplicando los modelos logit y probit

4. Conclusiones

Al ajustar el modelo Logit a la variable exgena ventas,

Este estudio examina la aplicacin de modelos

usando E-Views, las estimaciones que proporciona

dicotmicos como los modelos Logit y Probit a partir

son:

de las limitaciones del modelo lineal probabilstico

en trminos tericos, para posteriormente convalidar
( 4.604140 +1.7 E 06 *vtas )

e(-4.604140+1.7E-06*vtas)
log itit ( i ) = e ((-4.604140+1.7E-06*vtas)
11+
+ ee 4.604140+1.7 E 06 *vtas )

la exposicin mediante la aplicacin de un modelo

sencillo de decisin empresarial para el caso de la
empresa CEMEX, poniendo a prueba el modelo de
decisin en los tres mtodos de modelacin.

Todos los coeficientes del modelo resultan significativos

Limitaciones del modelo lineal de probabilidad...

Se parti del anlisis del modelo de eleccin

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

11

discreta dicotmico ms sencillo, el MLP, en el que se

Bibliografa

estudia su especificacin, estimacin y limitaciones,

Akaike, H

dado el sealamiento de sus debilidades se exponen

1973

Information theory and extensions of the

maximum likehood principles. Akademia

los modelos Logit y Probit. En este caso se revisa

Kiada: Budapest.

su especificacin, estimacin y la evaluacin de la

bondad del modelo confirmando tericamente y

Finney, D.J.

empricamente la consistencia de los modelos para

1971

estudios de decisin de tipo empresarial.

Gujarati, D. N.

De acuerdo con el modelo especificado para la empresa

Probit Analysis. Cambrige University Press

1995

Basic Econometrics. Ed. McGraw-Hill Inc. 3

edicin.

Cemex, su decisin se explica entre otros factores, las ventas

y la prueba del cido, el modelo inicialmente se corre

Intriligator, M.D.

con el mtodo de MCO en el contexto de MLP donde se

1990

M o de lo s E co n o m t r ico s, T cn ica s y

confirma que dicho modelo no satisface las condiciones

Aplicaciones. Fondo de Cultura Econmica

de homocedasticidad, estimaciones no acotadas entre 0 y

S.A. Mxico.

1 y el coeficiente de estimacin es subestimado, razones

Lawrence J. Gitman

suficientes para no considerar un ajuste con este modelo.

2003

Lo que permite remplazar el modelo MLP con

Administracin Financiera. Edt. Pearson.

Novales, A.

cualquiera de los modelos de decisin binaria, aqu

1993

estudiados, estos tienen mejor ajuste y definicin cuando el

Perez Harris, Alfredo

modelo se hace restrictivo y slo se considera a la variable

2000

En ambos casos (modelos Logit y Probit) los resultados

son estadsticamente significativos, por tanto, se acepta

Los Estados Financieros, Su Anlisis e

Interpretacin, ECAFSA, Mxico.

ventas como la variable que va a explicar la existencia de

liquidez en la empresa en trminos dicotmicos.

Econometra, 2da. Ed., McGraw-Hill. US.

Pulido, A.
1989

Prediccin Econmica y Empresarial. Pirmide.

Madrid, Espaa.

cualquiera de los dos modelos, dado que existe causalidad

en el contexto empresarial ya que se ha representado la
probabilidad de tener liquidez para distintos niveles de
renta de un potencial incremento o decremento de ventas.

12

Temas de Ciencia y Tecnologa | septiembre - diciembre 2009

Ensayos