5.2-2. INTRODUCCIÓN A LOS DATOS DE RESPUESTA BINARIA.

MODELOS BINOMIALES

Esta variable aparece cuando se le da una muestra que cada individuo posee o no posee una
característica objetivo del estudio y esto se codifica como (Y = 1) o no (Y = 0).

Por ejemplo, en la selección del modo en los modelos de transporte, uno podría estar interesado
en la elección modal entre los modos público (metro, autobús, tren ligero, etc.) o privado
(automóvil, motocicleta, etc.) en el área de estudio para viajes de casa a trabajo. En esos
modelos, la variable de respuesta se puede definir para un viajero como Y = 1 (respuesta positiva
o éxito, por ejemplo, modos públicos) o Y = 0 (respuesta negativa o falla, en nuestro caso modos
privados).

Es posible la extensión a más de 2 niveles o categorías en la variable de respuesta. Π La

probabilidad de éxito es notada por π, de tal manera que,

Probabilidad de respuesta positiva (éxito) para k unidad individual en la

muestra.

Probabilidad de respuesta negativa (falla) para el késimo individuo en la

muestra.

Cada individuo en la muestra se caracteriza por un conjunto de variables, algunas covariables

(ingresos, edad), algunos de ellos factores (género, calificaciones, etc.) que definen:

Las variables explicativas que formarán el predictor lineal podrían ser:

• Variables cuantitativas o covariables.

• Transformación de variables originales.

• Los regresores polinómicos se construyen a partir de covariables.

• Variables ficticias para representar factores.

• Variables ficticias para representar la interacción entre factores y covariables.

Por ejemplo, en el modelo de elección modal binario público-privado, para cada variable de
cercanías como ingresos, género, disponibilidad de automóviles, distancia al transporte público
local, valor del tiempo, etc.

- En el diseño del experimento, se definen grupos de unidades individuales, y cada grupo

recibe una combinación de condiciones experimentales de tal manera que son
compartidas por todas las unidades del grupo, en general, los factores se consideran
variables explicativas, y la k.ª condición experimental es modelado por un conjunto
común de valores para todas las variables explicativas de unidades individuales en el

grupo y, por lo tanto, se aplica a unidades individuales km.

- El número total de unidades en la muestra es la suma del tamaño de los grupos y, por
lo tanto, el número de condiciones o grupos experimentales está definido por n y el
número total de unidades es Cada grupo o combinación de
condiciones experimentales define una clase covariable donde todas las unidades
individuales que pertenecen a la clase covariable comparten los mismos valores para las
variables explicativas.

La primera diferencia entre la clase individual y la covariable es crítica cuando se

especifican datos en paquetes estadísticos. En general, se permiten ambas
representaciones completamente desagregadas (se detalla cada resultado individual) o
agregadas en algún nivel de acuerdo con las clases covariables:

1. Algunos métodos de análisis son adecuados para datos agregados y funcionan mal
cuando se aplican a datos desagregados, por ejemplo, aproximaciones asintóticas a la
normalidad.
2. Las aproximaciones asintóticas para datos agregados se basan en la evolución
asintótica del número de clases (o grupos) covariables (∞ → m) o en el número total de
unidades individuales (∞ → N).
3. Los datos desglosados son adecuados para aproximaciones asintóticas basadas en el
tamaño total.

... Trabajemos con un ejemplo simple para ver las diferencias en la representación.