Taller Practico 1

Con la siguiente base de datos:

obs cm np psi mejora Pr(mejora)
1 2.66 20 0 0 0.0209221
2 2.89 22 0 0 0.0521269
3 3.28 24 0 0 0.1765698
4 2.92 12 0 0 0.0580879
5 4 21 0 1 0.63927
6 2.86 17 0 0 0.0466623
7 2.76 17 0 0 0.0316847
8 2.87 21 0 0 0.0484303
9 3.03 25 0 0 0.0846113
10 3.92 29 0 1 0.5846204
11 2.63 20 0 0 0.0183715
12 3.32 23 0 0 0.1956874
13 3.57 23 0 0 0.3405592
14 3.26 25 0 1 0.1674698
15 3.53 26 0 0 0.3147866
16 2.74 19 0 0 0.0292265
17 2.75 25 0 0 0.030435
18 2.83 19 0 0 0.0416673
19 3.12 23 1 0 0.582166
20 3.16 25 1 1 0.6098117
21 2.06 22 1 0 0.0460517
22 3.62 28 1 1 0.8642939
23 2.89 14 1 0 0.4195456
24 3.51 26 1 0 0.8168679
25 3.54 24 1 1 0.8307254
26 2.83 27 1 1 0.3782265
27 3.39 17 1 1 0.7546898
28 2.67 24 1 0 0.2756869
29 3.65 21 1 1 0.8756185
30 4 23 1 1 0.9623001
31 3.1 21 1 0 0.56818
32 2.39 19 1 1 0.1366631

Variable dependiente:
mejora= Variable que indica si mejoró o no la nota del alumno tras un período de aprendizaje
Variables Independientes:
cm= media de las calificaciones pasadas del alumno
np= Nota del alumno en un examen previo al período de aprendizaje
psi= variable binaria que indica si en el período de aprendizaje estudió con el nuevo método didáctico.
Se pide: Estimar el modelo Probit por Máxima Verosimilitud (MV):
Pr( mejora  1)  (  0  1CM i   2 NPi   2 PSI i )
probit mejora cm np psi
Probit regression Number of obs = 32
LR chi2(3) = 15.55
Prob > chi2 = 0.0014
Log likelihood = -12.818803 Pseudo R2 = 0.3775
------------------------------------------------------------------------------
mejora | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cm | 1.62581 .6938825 2.34 0.019 .2658255 2.985795
np | .0517289 .0838903 0.62 0.537 -.1126929 .2161508
psi | 1.426332 .5950379 2.40 0.017 .2600795 2.592585
_cons | -7.45232 2.542472 -2.93 0.003 -12.43547 -2.469166
------------------------------------------------------------------------------

estima store Probit1

stepwise, pr(0.05): probit mejora cm np psi

begin with full model
p = 0.5375 >= 0.0500 removing np
Probit regression Number of obs = 32
LR chi2(2) = 15.15
Prob > chi2 = 0.0005
Log likelihood = -13.016522 Pseudo R2 = 0.3679

------------------------------------------------------------------------------
mejora | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cm | 1.784757 .6593683 2.71 0.007 .4924189 3.077095
psi | 1.421516 .5860176 2.43 0.015 .2729425 2.570089
_cons | -6.78252 2.23382 -3.04 0.002 -11.16073 -2.404312
------------------------------------------------------------------------------
estima store Probit2

estimate table Probit1 Probit2, star(0.01 0.05 0.1) stat(r2_p aic ll N)

----------------------------------------------
Variable | Probit1 Probit2
-------------+--------------------------------
cm | 1.6258103** 1.7847571***
np | .05172895
psi | 1.4263324** 1.4215158**
_cons | -7.4523204*** -6.78252***
-------------+--------------------------------
r2_p | .37747807 .36787622
aic | 33.637607 32.033044
ll | -12.818803 -13.016522
N | 32 32
----------------------------------------------
legend: * p<.1; ** p<.05; *** p<.01

Seleccione el mejor modelo, tomando los siguientes criterios:

1. Que los signos esperados de las variables tengan los signos correctos.
2. Que los coeficientes de las variables independientes sean significativos a un cierto nivel aceptable de confiabilidad
3. Que la razón de verosimilitud (LR chi2) sea significativo en forma conjunta.
4. Que el logaritmo de máxima verosimilitud del modelo (log-likelihood) sea grande
5. Que los criterios de información (AIC y BIC) sean bajos.
6. Que el modelo clasifique correctamente en un mayor porcentaje (capacidad de predicción).
7. Que el pseudo-R2 sea grande.

use "G:\datos10.dta", clear

//MODELO PROBIT
probit mejora cm np psi, hessian
estimates store Probit
estimates table Probit, stats(N chi2 aic bic r2_p ll) star(.05 .01 .1)
predict pr_p, pr
mfx
egen m_np=mean(np)
//grafico del efecto marginal de psi sobre pr.
gen pr0_p=normal(_b[_cons]+_b[cm]*cm+_b[np]*m_np+_b[psi]*0)
gen pr1_p=normal(_b[_cons]+_b[cm]*cm+_b[np]*m_np+_b[psi]*1)
drop m_np
twoway (connected pr0_p cm, sort mcolor(maroon) lcolor(green) lwidth(thick) lpattern(solid))
(connected pr1_p cm, sort lcolor(cranberry) lwidth(thick))

//MODELO LOGIT
logit mejora cm np psi, hessian
estimates store Logit
estimates table Logit, stats(N chi2 aic bic r2_p ll) star(.05 .01 .1)
predict pr_l, pr
mfx
egen m_np=mean(np)
//grafico del efecto marginal de psi sobre pr.
gen
pr0_l=exp(_b[_cons]+_b[cm]*cm+_b[np]*m_np+_b[psi]*0)/(1+exp(_b[_cons]+_b[cm]*cm+_b[np]*m_np+
_b[psi]*0))
gen
pr1_l=exp(_b[_cons]+_b[cm]*cm+_b[np]*m_np+_b[psi]*1)/(1+exp(_b[_cons]+_b[cm]*cm+_b[np]*m_np+
_b[psi]*1))

drop m_np

twoway (connected pr0_l cm, sort mcolor(maroon) lcolor(red) lwidth(thick) lpattern(solid))

(connected pr1_l cm, sort lcolor(cranberry) lwidth(thick))
 Grafico 1. Efecto marginal de PSI sobre Pr con el modelo probit

1
.8
.6
.4
.2
0

2 2.5 3 3.5 4
CM

pr0_p pr1_p

Grafico 2. Efecto marginal de PSI sobre Pr con el modelo logit

1
.8
.6
.4
.2
0

2 2.5 3 3.5 4
CM

pr0_l pr1_l
*Modelo Logit convencional*

*Green William (2002)*

*Capitulo 21* Modelo de eleccion discreta*

use "D:\Curso_stata_basico\mata_probit y Logit\base de datos.dta",

clear

*Programación para estimar el modelo Logit en mata*

mata

mata clear

function linregeval(transmorphic M, real rowvector b,real

colvector lnf)

real colvector p1

real colvector y1

p1 = moptimize_util_xb(M, b, 1)

y1 = moptimize_util_depvar(M, 1)

lnf = y1:*ln((1:+exp(-p1)):^-1)+(1:-y1):*ln(1:-(1:+exp(-p1)):^-1)

M = moptimize_init()

moptimize_init_evaluator(M, &linregeval())

moptimize_init_depvar(M, 1, "mejora")

moptimize_init_eq_indepvars(M, 1, "cm np psi")

moptimize(M)

moptimize_result_display(M)

end

Función de verosimilitud para un modelo Probit

lnf = (y1:==1):*ln(normal(p1))+(y1:==0):*ln(1:-normal(p1))