ECONOMETRÍA II

EJERCICIOS: UNIDADES V y VI
MODELOS DE RESPUESTA BINARIA
1. Utilizando los datos proporcionados (Ver Pindyck y Rubinfeld, Cap 11. Pp. 348), aplique los
procedimientos MPL, LOGIT, PROBIT para estimar los parámetros en el modelo:

𝑃𝑖 = 𝐸(𝑌𝐸𝑆𝑉𝑀 = 1)
= 𝑓(𝑃𝑈𝐵1&2; 𝑃𝑈𝐵3&4; 𝑃𝑈𝐵5; 𝑃𝑅𝐼𝑉; 𝑌𝐸𝐴𝑅𝑆; 𝑆𝐶𝐻𝑂𝑂𝐿; 𝐿𝑜𝑔𝐼𝑁𝐶; 𝑃𝑅𝐶𝑂𝑁)

a) ¿Cómo se comparan los resultados? Construya una tabla comparativa en STATA.

b) Usando las estimaciones de MCO del MPL, pronostique YESVM para cada caso. ¿Cuántos
casos resultan en realidad en predicciones fuera del rango de 0 a1? Haga un análisis.
c) Calcule los efectos marginales promedio y los efectos marginales en la media para los
Modelos LOGIT y PROBIT y compárelos con los obtenidos en el MPL. En el caso de los
regresores categóricos, aplique los dos procedimientos vistos en clase: el exacto y el
aproximado.
d) Ahora construya un gráfico que compare las probabilidades predichas para los siguientes
casos (SCHOOL = 1 y SCHOOL = 0) en el eje de las ordenadas, con respecto a cada nivel de la
variable PTCON (eje de las abscisas). Considere los valores promedio de los demás
regresores métricos y los valores más frecuentes para los regresores no métricos.

2. Utilizando los datos de la Tabla 15.4 de Gujarati (“Econometría”, 4ta. edición):

a) Estime el modelo Logit para datos agrupados, sin corregir la heterocedasticidad

b) Estime el modelo Logit para datos agrupados, esta vez con corrección de
heterocedasticidad. Compare los resultados con los obtenidos en el literal anterior.

3. Puesto que R 2 como medida de bondad de ajuste no es particularmente apropiada para los
modelos de variable dependiente dicótoma, una alternativa sugerida en el caso de tener datos
agrupados es la prueba S descrita enseguida:

G
N i ( Pˆi  Pˆi ) 2
S 
i 1 Pˆi (1  Pˆi )

Donde: Ni = Número de observaciones en la í-ésima celda

P̂i = Probabilidad real de ocurrencia del evento (ni/Ni)
P̂i  = Probabilidad estimada por el modelo
G = Número de grupos o celdas
Puede demostrarse que para muestras grandes S está distribuida de acuerdo con una
distribución  2 con G-k grados de libertad, donde k = Número de parámetros a estimarse.
Aplíquese esta prueba al modelo de la tabla 15.4 de Gujarati (pág. 577), coméntese el resultado
y compárelo con las otras medidas de bondad de ajuste obtenidas.

4. Utilizando la encuesta nacional de empleo, desempleo y subempleo (ENEMDU) de septiembre

de 2017, aplique un modelo Logit para estimar la probabilidad de estar desempleado en el
Ecuador, utilizando las variables explicativas que considere relevantes. Ahora aplique el
comando de STATA para estimar el logit con datos agrupados y compare los resultados con lo
obtenido previamente.

MODELOS DE RESPUESTA MÚLTIPLE Y DISCRETA

1. Se dispone de información sobre las siguientes variables: MODE, que es una variable
dicotómica 0/1 para cuatro alternativas de trasporte: 1=Avión, 2=Tren, 3=Bus, 4=Auto;
TTME, es el tiempo de espera para tomar cada medio de transporte, en minutos; GC, es una
medida del coste total, calculada como la suma del precio o coste directo del transporte más
el coste de oportunidad del tiempo del viaje; INC, es la renta familiar en miles de unidades
monetarias; INT es el intercepto. Se obtienen los siguientes resultados de la estimación de
un logit mixto:

Regresor Parámetro Coeficiente Estimado

Tiempo (TTME) 𝛽𝑇 -0.095461

Costo (GC) 𝛽𝐶 -0.010927

Ingreso (INC) 𝛽𝐼1 0.0000

𝛽𝐼2 -0.05118

𝛽𝐼3 -0.023211

𝛽𝐼4 0.005373

Intercepto (INT) 𝛼1 0.0000

𝛼2 -0.324956

𝛼3 -1.74453

𝛼4 -5.874813

Nota: Categoría Base = Avión

Y se dispone adicionalmente de la información del primer individuo de la muestra:

 INDIVIDUO 1 MODE TTME GC INC

Avión 0 50 70 35

Tren 1 32 40 35

Bus 0 30 110 35

Coche 0 60 40 35

Se pide:

a) Calcular la probabilidad asignada por el modelo para la elección de ir en autobús

b) Calcular el efecto marginal de un cambio unitario en el costo del tren sobre la probabilidad
de ir en bus

2. Suponga un modelo de Poisson, dado por

𝑒 −𝜆𝑖 𝜆𝑖 𝑦𝑖
Pr(𝑌𝑖 = 𝑦𝑖 ) =
𝑦𝑖 !

Donde 𝜆𝑖 = exp(𝛽𝑋𝑖 ). Usted cuenta con las siguientes observaciones de las variables 𝑋 y 𝑌

X 2 1 3 2 2 3

Y 2 1 0 1 0 0

a) Obtenga el estimador de Máxima Verosimilitud de 𝛽. Utilice para ello el método de Newton-

Raphson.

b) Calcule la media y la varianza de Y. ¿Indican estos resultados que el modelo de Poisson en

una buena opción para modelar estos datos?

3. El archivo en Excel “Modelo de elección de automóvil” contiene información acerca de la

elección que los consumidores norteamericanos hacen sobre el origen de su automóvil.
Existen tres alternativas excluyentes: americano, japonés y europeo. La variable choice
indica la elección hecha por cada individuo. Las variables explicativas son: Ingreso (income),
género (sex), tamaño del hogar (size) y el número de vendedores que cada tipo de vehículo
tiene en su comunidad (dealer). Corra un modelo de elección Logit Mixto e interprete los
principales resultados.

4. Ahora utilice el archivo “college.dta”. El ejemplo incluye un estudio que observa los factores
que influencian la decisión de un estudiante graduado de la universidad para seguir una
especialidad.

A los estudiantes se les pregunta que tan seguro están de seguir una especialidad. La variable
apply presenta tres alternativas: Nada seguro=0, Poco seguro=1, Muy seguro=2; el modelo tiene
a su vez de 3 regresores: pared, que indica la educación de los padres de familia (donde 1= por
lo menos un padre tiene un título profesional); public, indica el tipo de universidad (1= pública)
y gpa, mide el promedio de graduación del estudiante.

a) Aplique el modelo Logit Ordinal a estos datos e interprete los resultados. Luego calcule las
probabilidades estimadas y los efectos marginales correspondientes.
b) Ahora aplique el modelo Probit Ordinal y nuevamente calcule las probabilidades estimadas
y los efectos marginales.
c) Construya en STATA una tabla comparativa para las modelos Logit y Probit Ordinales en la
que se muestren los efectos marginales y el pseudo R2.

Como bien ustedes saben los efectos marginales calculados directamente con los comandos de
STATA funcionan solo de manera aproximada para variables categóricas.

d) Utilizando únicamente el modelo Probit Ordinal, se pide ahora que calcule la probabilidad
estimada para cada individuo de elegir la opción “Muy seguro”, en función de la variable
gpa, y considerando un valor de 1 para la variable pared (dada su poca significatividad, no
considere a la variable public). Repita el mismo procedimiento, pero ahora con un valor de
0 para pared. Grafique los resultados obtenidos
e) Calcule el efecto marginal promedio de la variable pared sobre la probabilidad de elegir la
opción “muy seguro”.

5. Para los modelos de Poisson y Binomial Negativo, encuentre una expresión para la varianza
asintótica de 𝜆̂𝑖 y 𝜇̂ 𝑖 , respectivamente.

6. Con los datos del taller 3, correspondiente al archivo “fertil2.dta”:

a) Corra nuevamente el modelo de Poisson, pero ahora use como variable dependiente a la
variable ceb = número de hijos alguna vez nacidos. Utilice las variables explicativas que
considere apropiadas e interprete los resultados1.
b) Calcule el número de nacimientos estimados en base al modelo y compare los resultados
con los datos observados, ¿son buenas las predicciones del modelo? Calcule el pseudo R-
cuadrado visto en clase.
c) Ahora calcule los efectos marginales e interprételos
d) Finalmente, corra el modelo Binomial Negativo. De acuerdo al test estándar de sobre-
dispersión ¿se debe usar este modelo por sobre el modelo de Poisson? Ahora aplique el
test de sobre-dispersión mencionado en Cameron y Trivedi (pp.575). ¿Cambian los
resultados con respecto al test previamente aplicado?

1 Utilice la opción de errores estándar robustos