Universidad Nacional del Altiplano - Puno

FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

CURSO: ECONOMETRIA II

PRESENTADO POR: AGUILAR CATACORA, Diana

PRACTICA N° 01

PARTICIPACION DE LA MUJER EN EL CAMPO LABORAL UNA APLICACIÓN DEL MODELO MLP,

PROBIT Y LOGIT

1) Planteamiento del modelo MLP

Pr(𝑦𝑡 = 1|𝑐𝑎𝑠𝑎𝑑𝑎, 𝑒𝑑𝑎𝑑, 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛) = 𝛽0 + 𝛽1 𝑐𝑎𝑠 + 𝛽2 𝑒𝑑𝑎𝑑 + 𝛽3 𝑒𝑑𝑢 + 𝑒1

. regress y casada edad escolaridad

Source | SS df MS Number of obs = 30

-------------+---------------------------------- F (3, 26) = 4.96
Model | 2.61915423 3 .873051411 Prob > F = 0.0075
Residual | 4.58084577 26 .176186376 R-squared = 0.3638
-------------+---------------------------------- Adj R-squared = 0.2904
Total | 7.2 29 .248275862 Root MSE = .41975

------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
casada | -.3819416 .1559365 -2.45 0.021 -.7024736 -.0614096
edad | .0007502 .0066024 0.11 0.910 -.0128212 .0143216
escolaridad | .0944498 .0374499 2.52 0.018 .0174704 .1714292
_cons | -.3319566 .6107112 -0.54 0.591 -1.587291 .9233782
------------------------------------------------------------------------------

2) Planteamiento del modelo PROBIT

Pr(𝑦𝑡 = 1|𝑐𝑎𝑠𝑎𝑑𝑎, 𝑒𝑑𝑎𝑑, 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛) = 𝜙(𝛽0 + 𝛽1 𝑐𝑎𝑠 + 𝛽2 𝑒𝑑𝑎𝑑 + 𝛽3 𝑒𝑑𝑢)

Donde:

𝑦𝑡 = 1; 𝑆𝑖 𝑙𝑎 𝑚𝑢𝑗𝑒𝑟 𝑒𝑠𝑡á 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑛𝑑𝑜

𝑦𝑡 = 0; 𝑆𝑖 𝑙𝑎 𝑚𝑢𝑗𝑒𝑟 𝑛𝑜 𝑒𝑠𝑡á 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑛𝑑𝑜

Cas: estado civil 1 = casada y 0 = soltera

Edad: años de edad de la mujer

Edu: años de estudio de la mujer
𝛽0 +𝛽1 𝑐𝑎𝑠+𝛽2 𝑒𝑑𝑎𝑑+𝛽3 𝑒𝑑𝑢 𝑡2
1
Pr(𝑦𝑡 = 1|𝑐𝑎𝑠𝑎𝑑𝑎, 𝑒𝑑𝑎𝑑, 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛) = ∫ 𝑒 − 2 𝑑𝑡
√2𝜋 −∞
= 0.67292433
 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

Efecto marginal:
𝜕𝐸(𝑦|𝑥)
= 𝜙(𝛽0 + 𝛽1 𝑐𝑎𝑠 + 𝛽2 𝑒𝑑𝑎𝑑 + 𝛽3 𝑒𝑑𝑢)𝛽
𝜕𝐸

. pro bit y casada edad escolaridad

Iteration 0: log likelihood = -20.19035

Iteration 1: log likelihood = -13.448822
Iteration 2: log likelihood = -13.301079
Iteration 3: log likelihood = -13.300625
Iteration 4: log likelihood = -13.300625

Probit regression Number of obs = 30

LR chi2(3) = 13.78
Prob > chi2 = 0.0032
Log likelihood = -13.300625 Pseudo R2 = 0.3412

------------------------------------------------------------------------------
y | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
casada | -1.445179 .6259498 -2.31 0.021 -2.672018 -.2183401
edad | -.0004698 .0230415 -0.02 0.984 -.0456303 .0446907
escolaridad | .3968131 .1754535 2.26 0.024 .0529306 .7406957
_cons | -3.409438 2.372541 -1.44 0.151 -8.059532 1.240656
------------------------------------------------------------------------------

mfx

Marginal effects after probit

y = Pr(y) (predict)
= .67292433
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
casada*| -.4681446 .16347 -2.86 0.004 -.788535 -.147754 .566667
edad | -.0001695 .00831 -0.02 0.984 -.016462 .016123 40.9667
escola~d | .1431902 .06013 2.38 0.017 .025334 .261047 11.8333
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

3) Planteamiento del modelo LOGIT

1
Pr(𝑦𝑡 = 1|𝑐𝑎𝑠𝑎𝑑𝑎, 𝑒𝑑𝑎𝑑, 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛) =
1+ 𝑒 −(𝛽0 +𝛽1 𝑐𝑎𝑠+𝛽2 𝑒𝑑𝑎𝑑+𝛽3 𝑒𝑑𝑢)
. logit y casada edad escolaridad

Iteration 0: log likelihood = -20.19035

Iteration 1: log likelihood = -13.619813

 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

Iteration 2: log likelihood = -13.2818

Iteration 3: log likelihood = -13.276653

Iteration 4: log likelihood = -13.276646

Iteration 5: log likelihood = -13.276646

Logistic regression Number of obs = 30

LR chi2(3) = 13.83

Prob > chi2 = 0.0031

Log likelihood = -13.276646 Pseudo R2 = 0.3424

------------------------------------------------------------------------------

y | Coef. Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

casada | -2.589013 1.187875 -2.18 0.029 -4.917206 -.2608203

edad | -.0008926 .0376378 -0.02 0.981 -.0746614 .0728762

escolaridad | .6889736 .3212009 2.14 0.032 .0594313 1.318516

_cons | -5.839868 4.077234 -1.43 0.152 -13.8311 2.151364

------------------------------------------------------------------------------

. mfx

Marginal effects after logit

y = Pr(y) (predict)
y = .69196282
------------------------------------------------------------------------------

Variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

---------+--------------------------------------------------------------------

casada*| -.4844235 .16461 -2.94 0.003 -.807051 -.161796 .566667

edad | -.0001903 .00802 -0.02 0.981 -.015906 .015526 40.9667

escola~d | .1468549 .06341 2.32 0.021 .022567 .271143 11.8333

------------------------------------------------------------------------------

(*) dy/dx is for discrete change of dummy variable from 0 to 1

 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

Reemplazando:
Pr(𝑦𝑡 = 1|𝑐𝑎𝑠𝑎𝑑𝑎, 𝑒𝑑𝑎𝑑, 𝑒𝑑𝑢𝑐𝑎𝑐𝑖𝑜𝑛)
1
=
1+ 𝑒 −(−5.839868+−2.589013 𝑐𝑎𝑠+−.0008926 𝑒𝑑𝑎𝑑+.6889736𝑒𝑑𝑢)
= .69196282

Efecto marginal

𝜕𝐸(𝑦|𝑥)
= Λ(𝛽0 + 𝛽1 𝑐𝑎𝑠 + 𝛽2 𝑒𝑑𝑎𝑑 + 𝛽3 𝑒𝑑𝑢)
𝜕𝐸

. mfx

Marginal effects after logit

y = Pr(y) (predict)
= .69196282
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
casada*| -.4844235 .16461 -2.94 0.003 -.807051 -.161796 .566667
edad | -.0001903 .00802 -0.02 0.981 -.015906 .015526 40.9667
escola~d | .1468549 .06341 2.32 0.021 .022567 .271143 11.8333
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Se elige por el Pseudo R2 mayor.

LR chi2.- el valor indica que los coeficientes en forma conjunta son significativos para
explicar la probabilidad de las mujeres de estar en el mercado de trabajo.
Pro > chi2.- indica que podemos rechazar en 1% la hipótesis de todos los coeficientes que
sean iguales a cero
Pseudo r2.- indica que aproximadamente que el 34% de la variable dependiente puede ser
explicada por la variación de las variables dependientes.

Forma 1: interpretación de coeficientes

 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

Casada (-2.589013). - si la mujer está casada el Logit estimado disminuye en promedio en
2.6 unidades

Edad (-.0008926). - cuanto mayor es de edad la mujer el Logit estimado disminuye en

0.0008926.

Escolaridad (.6889736). -cuanto mayor son los años de estudio de la mujer el logit estimado
aumenta en .6889736 unidades.

Forma 2: interpretación de coeficientes

Casada (-2.589013). - aplicando el anti log e^ (-2.589013) =0.0751. indica que los valores
por arriba de 1 indican mayores oportunidades que el evento ocurra, mientras que valores
de abajo indican menor oportunidad.

Edad (-.0008926). - aplicando el anti log e^ (-0.0008926) =0.9991. indica que los valores
por arriba de 1 indican mayores oportunidades que el evento ocurra, mientras que valores
de abajo indican menor oportunidad.

Escolaridad (.6889736). - aplicando el anti log e^ (.6889736) =1.9917. indica que los valores
por arriba de 1 indican mayores oportunidades que el evento ocurra, mientras que valores
de abajo indican menor oportunidad.

Forma 3: interpretación de coeficientes

1
Casada (-2.589013). - aplicando el anti log e^ (-2.589013) =0.0751. 0.0751
=13.333 esto

indica si la mujer está casada su oportunidad de estar en el mercado de trabajo es un

promedio 13.3333 veces menor a de una mujer soltera.

1
Edad (-.0008926). - aplicando el anti log e^ (-0.0008926) =0.9991. 0.9991
=1.0009 esto

indica si la mujer está casada su oportunidad de estar en el mercado de trabajo es un

promedio 13.3333 veces menor a de una mujer soltera.
 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

1
Escolaridad (.6889736). - aplicando el anti log e^ (.6889736) =1.9917. 1.9917
=0.5002

esto indica si la mujer está casada su oportunidad de estar en el mercado de trabajo es un

promedio 13.3333 veces menor a de una mujer soltera.

Forma 4: interpretación de prob y efectos marginales.

PROB: .69196282.- la probabilidad de la mujer de estar en el mercado de trabajo en el

promedio para esta muestra específica es aproximadamente del 69%

Casada (-.4844235). - si la mujer está casada la probabilidad de que no este trabajando es

del 48.4% a diferencia de una mujer soltera.

Edad (-.0001903). - si la mujer es de edad la probabilidad de que no esté trabajando es del

0.01% a diferencia de la mujer con menor edad.

Educación (.1468549). - si la mujer tiene mayor año de educación la probabilidad de que

esté trabajando aumenta en 14.7%

Forma 5: interpretación de prob para un caso específico.

mfx, at (y=1 casada=1 edad=50 escolaridad=16)

warning: variables y in at() list not found in model

Marginal effects after logit

y = Pr(y) (predict)
= .92757795
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
casada*| -.0665931 .0935 -0.71 0.476 -.249852 .116666 1
edad | -.00006 .00256 -0.02 0.981 -.005076 .004956 50
escola~d | .0462832 .04241 1.09 0.275 -.036832 .129399 16
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1
 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

Si la mujer está casada, tiene 50 años y ha estudiado 16 años la probabilidad de estar
trabajando es del 93%

. mfx, at (y=1 casada=0 edad=30 escolaridad=10)

warning: variables y in at () list not found in model

Marginal effects after logit

y = Pr(y) (predict)
y = .73557402
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
casada*| -.5627757 .21055 -2.67 0.008 -.97544 -.150111 0
edad | -.0001736 .00727 -0.02 0.981 -.014419 .014072 30
escola~d | .1340087 .09991 1.34 0.180 -.061802 .32982 10
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Si la mujer no está casada, tiene 30 años y ha estudiado 10 años la probabilidad de estar

trabajando es del 73.5%

. mfx, at (y=0 casada=1 edad=50 escolaridad=16)

warning: variables y in at () list not found in model

Marginal effects after logit

y = Pr(y) (predict)
y = .92757795
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
casada*| -.0665931 .0935 -0.71 0.476 -.249852 .116666 1
edad | -.00006 .00256 -0.02 0.981 -.005076 .004956 50
escola~d | .0462832 .04241 1.09 0.275 -.036832 .129399 16
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1
 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

. mfx, at (y=0 casada=0 edad=30 escolaridad=10)

warning: variables y in at () list not found in model

Marginal effects after logit

y = Pr(y) (predict)
y = .73557402
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
casada*| -.5627757 .21055 -2.67 0.008 -.97544 -.150111 0
edad | -.0001736 .00727 -0.02 0.981 -.014419 .014072 30
escola~d | .1340087 .09991 1.34 0.180 -.061802 .32982 10
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1

Forma 6: interpretación logística

𝑝𝑖
ln( ) = 𝛽0 + 𝛽1 𝑐𝑎𝑠 + 𝛽2 𝑒𝑑𝑎𝑑 + 𝛽3 𝑒𝑑𝑢
1 − 𝑝𝑖

𝑝𝑖
ln ( ) = 0.0029 + 0.075𝑐𝑎𝑠 + 0.99𝑒𝑑𝑎𝑑 + 1.99𝑒𝑑𝑢
1 − 𝑝𝑖

. *modelo logístico
.
. logística y casada edad escolaridad

Logistic regression Number of obs = 30

LR chi2(3) = 13.83
Prob > chi2 = 0.0031
Log likelihood = -13.276646 Pseudo R2 = 0.3424

------------------------------------------------------------------------------
y | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
casada | .0750941 .0892024 -2.18 0.029 .0073196 .7704194
edad | .9991078 .0376042 -0.02 0.981 .9280577 1.075597
escolaridad | 1.99167 .6397263 2.14 0.032 1.061233 3.737869
_cons | .0029092 .0118616 -1.43 0.152 9.85e-07 8.596574
------------------------------------------------------------------------------
 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

El logistc muestra el antilog del primer modelo estimado.
Casada= (0.075-1) *100 =-92.40 podemos decir que la oportunidad de una mujer casada
de estar en el mercado de trabajo es del 92% menor que de una mujer soltera.

*predicción de probabilidades
. predict prob, p

. list prob

+----------+
| prob |
|----------|
1. | .9942685 |
2. | .7660967 |
3. | .9281158 |
4. | .574709 |
5. | .9169743 |
|----------|
6. | .4469581 |
7. | .9773701 |
8. | .7312109 |
9. | .9160179 |
10. | .4068091 |
|----------|
11. | .8476809 |
12. | .977449 |
13. | .4460757 |
14. | .6182797 |
15. | .0942399 |
|----------|
16. | .734705 |
17. | .7651356 |
18. | .171907 |
19. | .4538075 |
20. | .956553 |
|----------|
21. | .9777033 |
22. | .4491655 |
23. | .0249655 |
 Universidad Nacional del Altiplano - Puno
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA

24. | .2912241 |
25. | .4551353 |
|----------|
26. | .1715262 |
--more—

estat class

Logistic model for y

-------- True --------

Classified | D ~D | Total
-----------+--------------------------+-----------
+ | 14 2 | 16
- | 4 10 | 14
-----------+--------------------------+-----------
Total | 18 12 | 30

Classified + if predicted Pr(D) >= .5

¡True D defined as y! = 0
--------------------------------------------------
Sensitivity Pr (+| D) 77.78%
Specificity Pr(-|~D) 83.33%
Positive predictive value Pr (D| +) 87.50%
Negative predictive value Pr (~D| -) 71.43%
--------------------------------------------------
False + rate for true ~D Pr(+|~D) 16.67%
False - rate for true D Pr (-| D) 22.22%
False + rate for classified + Pr (~D| +) 12.50%
False - rate for classified - Pr (D| -) 28.57%
--------------------------------------------------
Correctly classified 80.00%

Correctly classified 80.00% podemos