INFERENCIA EN LOS MODELOS DE ELECCIÓN DISCRETA

Método de Máxima Verosimilitud

Como la relación entre la variable dependiente y las explicativas es no lineal no

se

puede aplicar el método de MCO.

Si se usa el método de máxima verosimilitud se obtiene la función de

densidad conjunta:

n
L=∏ Pi ( 1−p i )
yi 1− y i
 ,
i =1

La cual, al considerar logaritmos neperianos queda:

n
l n=∑ ( y i l n ( p i ) + ( 1− y i ) l n ( 1− pi ) )
i=1

n
¿ ∑ ( y i ln ( pi ) − y i l n ( 1− pi ) +l n ( 1− pi ) )
i=1

n n n n
pi
¿∑
i=1
yi l n (
1− pi i=1 )
+ ∑ l n ( 1−p i )=∑ y i z i−∑ l n ( 1+e i )   ,
i=1 i=1
z

pi
Donde: z i =l n
( 1− pi )
Derivar la expresión anterior con respecto a cada coeficiente conduce a:

n n
eiz
∂l n L
∂ β1 ∑
=
i=1
y i −∑
i=1 1+e i
( )
z

n n
e zi
∂l n L
=∑ y i x j i−∑
∂ β j i=1 i=1 1+ ei
( )
z
x ji ,           j=2 ,…, k ,

Al igualar a cero las derivadas anteriores se obtiene el siguiente sistema de

ecuaciones que tendrá que ser resuelto mediante un algoritmo de optimización:
 n n
eiz
∑ y i−∑
i=1 i=1
( ) 1+e zi
=0

∑ yi x n
e zi
i=1 j i−¿ ∑
i= 0 ( 1 +ei
z
) x j i =0 ,           j=2 , … , k .

los estimadores así obtenidos son consistentes, asintóticamente eficientes y

con distribución asintótica normal.

INTERPRETACIÓN DE LOS COEFICIENTES

Efecto Marginal

En los modelos lineales la derivada parcial de la variable dependiente, Y, con

respecto a cada una de las variables explicativas

X j ,   j=1,…, p,   e s  l a   c o nst ant e   β j , y se interpreta como el cambio producido en Y

cuando Xj aumenta una unidad.

En el modelo Logit, partiendo de (5), la derivada parcial anterior es:

∂Y i e−Z
i
=   .   β j ,           j=1 ,…,   k ,
∂ X j i ( 1+ e−Z ) 2
i

Mientras que en el provit

∂Y i
=∅ ( z i ) β j ,             j=1 ,…, k ,
∂ X ji

Siendo ∅ la función de densidad de la distribución normal tipificada.

Por tanto, el efecto marginal en ambos modelos depende de los valores que
toman las variables explicativas.

Puesto que la exponencial y la función de densidad ∅ son siempre positivas,

queda

claro que el signo de los coeficientes indica la dirección del efecto marginal.
Es decir, un signo positivo indicara una relación directa, mientras que uno
negativo inversa.

Odd ratio

En el modelo logit, lo que se suele hacer es calcular la razón entre ambas

probabilidades, cociente denominado odd-ratio, es decir:

eZ
i

1+ eiZ
pi 1
= =eiZ,
1− p i 1+ eiZ

Con z i= β 1+ β2 x 2i +…+ β k x k i

Por tanto, el odd ratio es el número de veces que es más probable que ocurra
el fenómeno o suceso frente a que no ocurra