Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
------------------------------------------------------------------------------
------------------------------------------------------------------------------
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
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.
//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
1
.8
.6
.4
.2
0
2 2.5 3 3.5 4
CM
pr0_p pr1_p
2 2.5 3 3.5 4
CM
pr0_l pr1_l
*Modelo Logit convencional*
mata
mata clear
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(M)
moptimize_result_display(M)
end
lnf = (y1:==1):*ln(normal(p1))+(y1:==0):*ln(1:-normal(p1))