ESCUELA SUPERIOR DE ECONOMÍA

MODELOS ECONOMÉTRICOS.

“ELECCIONES PRESIDENCIALES EN MÉXICO 2018”

PROFESOR: OROZCO LIRA GODFREY.

INTEGRANTES:
ANGELES REYES O.
LÓPEZ TORRES E.
FLORES ROSAS J. A.
OBJETIVO
Se pretende saber si realmente AMLO es una influencia en la comunidad del casco de santo
tomas ya que para muchos debe de ser el presidente queremos saber si es así o ya bien, con
la gente encuestada sea factor decisivo para que opten por los demás candidatos.

Utilizando datos de corte transversal disponiendo de 210 observaciones por persona,

realizamos una encuesta con 22 preguntas. La variable respuesta adquiere dos valores; 1 si
Andrés Manuel López Obrador tendría oportunidad de ser presidente y 0 no tiene oportunidad.
La regresada es una variable binaria, o dicótoma. El propósito es notar que la regresada es una
variable cualitativa.
Realizada la encuesta en la Escuela Superior de Economía y la ESCA gracias a los compañeros
que nos ayudaron nos basaremos cuales son las variables que pueden influir más en su
decisión. Otro objetivo es saber cuánta gente de nuestro alrededor permanece involucrada en
algún partido político ya que esto puede influir en la intención de voto de sus amistades.
INTRODUCCIÓN
En el presente documento se realizará un estudio econométrico tomando en cuenta el tema de
las elecciones presidenciales que están por darse en México se eligió este tipo de tema ya que
es algo muy relevante hoy en día se pretende dar una pequeña explicación a quién podría ser
el próximo presidente de México aunque las encuestas de otro medio tienen como puntero a
Andrés Manuel López Obrador nuestro enfoque se basará en el casco de Santo Tomás ubicado
en la Delegación Miguel Hidalgo abarcando las escuelas principalmente la nuestra que es la
Escuela Superior de Economía y la ESCA teniendo como muestra 210 encuestas, se pretende
saber la opinión política de nuestros compañeros ya que muchos compañeros ya son
integrantes de algún partido político laboralmente o simplemente son simpatizantes de este
mismo partido.

Las encuestas que estructuramos están basadas en determinar si algún compañero ya nació
con la ideología política dirigida hacia un partido o ya bien en el transcurso de su vida académica
llegó la simpatía a este mismo. Por lo anterior se debe ya que muchas familias desde su
nacimiento ya son simpatizantes a una ideología política y esto hace que no sea independiente
su opinión política ya que el nacer con algún color político hace que aunque sea mal partido
mucha gente lo sigue simpatizando.
Además, este tipo de encuesta la estructuramos también para saber qué efecto va a generar el
gobierno que se ejerce en alguna alcaldía o municipio, ya que la gente llega a simpatizar con el
partido en curso por el buen trabajo que llegan hacer y simpatizantes de otros partidos llegan a
unirse a esta ideología. Para apoyar al partido político en turno, pero si este gobierno hace mal
las cosas puede generar que sus seguidores se unan a otros partidos.
Finalmente, todo esto lo vamos a poder descubrir mediante los modelos aprendidos en clase el
cual vamos a empezar con un modelo MLP posterior pasamos a un LOGIT y enseguida vamos
a crear un PROBIT y en el proceso de crear un pródigo se creará NORMIT.
En el proceso de creación de estos modelos nos vamos a encontrar en muchos problemas
como lo es la violación probabilidades o que los datos estén muy sesgados. Para solucionar
todo esto emplearemos las técnicas aprendidas en clase que enseguida vamos a analizar y con
esto estaremos a la explicación econométrica.
MARCO TEÓRICO ECONOMÉTRICO.
Naturaleza de los modelos de respuesta cualitativa
Una variable dependiente binaria es un ejemplo de una variable dependiente limitada (VDL).
Una VDL se define en sentido amplio como una variable dependiente cuyo rango de valores
está restringido de forma importante. Una variable binaria asume sólo dos valores, el cero y el
uno.
En cierto sentido, la mayoría de las variables económicas que se desea explicar son limitadas,
debido a que con frecuencia deben ser positivas. Por ejemplo, el salario por hora, el precio de
la vivienda y las tasas de interés nominales deben ser mayores que cero. Pero no todas estas
variables requieren un tratamiento especial. Si una variable estrictamente positiva asume
muchos valores diferentes, en raras ocasiones será necesario un modelo econométrico
especial.
Cuando y es discreta y asume un pequeño número de valores, no tiene sentido tratarla como
una variable aproximadamente continua. Por sí misma, la discrecionalidad de y no significa que
los modelos lineales sean inapropiados. No obstante, la respuesta binaria, el modelo de
probabilidad lineal tiene ciertas desventajas.
Modelos logit y probit para respuesta binaria
Estimar y utilizar el modelo de probabilidad lineal es simple, pero tiene algunas desventajas.
Las dos desventajas más importantes son que las probabilidades ajustadas pueden ser
menores que cero o mayores que uno y el efecto parcial de cualquier variable explicativa (si
aparece en la ecuación en su nivel) es constante. Estas limitaciones del MPL pueden superarse
si se usan modelos de respuesta binaria más sofisticados.
En un modelo de respuesta binaria, el interés yace principalmente en la probabilidad de
respuesta
𝑷(𝑦 = 1|𝒙) = 𝑷(𝑦 = 1|𝑥1 , 𝑥2 , … , 𝑥𝑘 )
Donde x denota el conjunto total de variables explicativas. Por ejemplo, cuando y es un
indicador del empleo, x podría contener varias características individuales como la educación,
edad, estado civil y otros factores que afectan el estado del empleo, incluida una variable de
indicador binario para la participación en un reciente programa de empleo.
Especificación de modelos logit y probit
En el MPL, se supone que la probabilidad de respuesta es lineal en un conjunto de parámetros
𝛽𝑗 . Para evitar las limitaciones del MPL, considere una clase de modelos de respuesta binaria
de la forma
𝑷(𝑦 = 1|𝒙) = 𝐺 (𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑘 𝑥𝑘 ) = 𝐺(𝛽0 + 𝒙𝜷)
Donde G es una función que asume valores estrictamente entre cero y uno: 0 < 𝐺 (𝑧) < 1, para
todos los números reales z. Esto asegura que las probabilidades de respuesta estimada sean
estrictamente entre cero y uno:
𝒙𝜷 = (𝛽1 𝑥1 + ⋯ + 𝛽𝑘 𝑥𝑘 )
Se han sugerido varias funciones no lineales para la función G a fin de asegurar que las
probabilidades estén entre cero y uno. Las dos que se estudiarán aquí se usan en la mayoría
de las aplicaciones (junto con el MPL). En el modelo logit, G es la función logística:
exp(𝑧)
𝐺 (𝑧 ) = = Λ(𝑧)
[1 + exp(𝑧)]
Que está entre cero y uno para todos los números reales z. Esta es la función de distribución
acumulada (CDF) para una variable aleatoria logística estándar. En el modelo probit, G es la
función de distribución acumulada normal estándar, que se expresa como una integral:
𝑧

𝐺 (𝑧) = Φ(𝑧) = ∫ 𝜙(𝑣)𝑑𝑣

−𝑧

Donde 𝜙 (𝑧) es la densidad normal estándar

𝑧
𝜙(𝑧) = (2𝜋)−1/2 exp (− )
2
Esta elección de G nuevamente asegura que 𝑷(𝑦 = 1|𝒙) = 𝐺 (𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑘 𝑥𝑘 ) =
𝐺 (𝛽0 + 𝒙𝜷)
Esté estrictamente entre cero y uno para todos los valores de los parámetros y las 𝑥𝑗 .

Las funciones G (logit y probit) son funciones crecientes. Cada una aumenta con más rapidez
en 𝑧 = 0, 𝐺(𝑧) → 0 a medida que 𝑧 → −∞, y 𝐺(𝑧) → 1 a medida que 𝑧 → ∞.
Los modelos logit y probit pueden derivarse a partir de un modelo de variable latente
subyacente. Sea 𝑦 ∗ una variable inobservable, o latente, determinada por
𝑦 ∗ = 𝛽0 + 𝒙𝜷 + 𝑢, 𝑦 = 1[𝑦 ∗ > 0]
Donde se introduce la notación 1[⋅] para definir un resultado binario. La función 1[⋅] recibe el
nombre de función de indicador, que asume el valor de uno si el evento dentro de los corchetes
es verdadero y de cero si no lo es.
Mediad de Bondad de ajuste
Utilice las pruebas de bondad de ajuste para determinar si las probabilidades pronosticadas se
desvían de las probabilidades observadas de una manera que la distribución binomial no
predice. Si el valor p para la prueba de bondad de ajuste es menor que el nivel de significancia
elegido, las probabilidades pronosticadas se desvían de las probabilidades observadas de una
manera que la distribución binomial no predice. Esta lista indica las razones comunes de la
desviación:
- Función de enlace incorrecta
- Término de orden superior omitido para las variables que están en el modelo
- Predictor omitido que no está en el modelo
- Dispersión excesiva
Si la desviación es estadísticamente significativa, usted puede probar con una función de enlace
diferente o cambiar los términos incluidos en el modelo.
Para la regresión logística binaria, el formato los datos afecta el valor p debido a que cambia el
número de ensayos por fila. El valor p de la prueba de desviación generalmente disminuye al
igual que el número de ensayos por fila disminuye. La prueba de Hosmer-Lemeshow no
depende del formato de los datos. Cuando los datos tienen pocos ensayos por fila, la prueba
de Hosmer-Lemeshow es un indicador más confiable de hasta qué punto el modelo se ajusta a
los datos.
La Prueba Hosmer-Lemeshow
El Test de Hosmer-Lemeshow es un test muy utilizado en Regresión logística. Se trata de un
test de bondad de ajuste al modelo propuesto. Un Test de bondad de ajuste lo que hace es
comprobar si el modelo propuesto puede explicar lo que se observa. Es un Test donde se evalúa
la distancia entre un observado y un esperado.
El Test básicamente consiste en dividir el recorrido de valores de la variable dependiente (0,1)
en una serie de intervalos. Intervalos que contengan un número de observaciones
suficientemente grande (5 o más). Se trata, entonces, de contar intervalo por intervalo el
esperado y el observado para cada uno de los dos resultados posibles de la variable
dependiente dicotómica. El observado es lo que se tiene y el esperado es el valor esperado
teórico calculado mediante el modelo construido.
McFadden
𝐿𝑁 (𝛽̂)
𝑅̃ = 1 −
𝐿𝑁 (𝑦̅)
Es una medida de la mejora relativa en la log-verosimilitud del modelo que incluye variables
explicativas 𝐿𝑁 (𝛽̂) respecto al modelo sólo con constante, 𝐿𝑁 (𝑦̅) (probabilidad media
incondicional). Esta medida está entre cero y uno, PERO NO representa proporción de varianza
explicada por el modelo.
Efecto marginal de un cambio unitario en el valor de una regresora sobre los diversos
modelos de regresión
En el modelo de regresión lineal, el coeficiente de la pendiente mide el cambio en el valor
promedio de la regresada, debido a una unidad de cambio en el valor de la regresora, con las
demás variables constantes.
En el MLP, el coeficiente de la pendiente mide directamente el cambio en la probabilidad de
que ocurra un evento, como resultado de una unidad de cambio en el valor de la regresora, con
un efecto constante de todas las demás variables.
En el modelo logit, el coeficiente de la pendiente de una variable indica el cambio en el logaritmo
de las posibilidades en favor de que ocurra un evento asociadas a una unidad de cambio en
esa variable, de nuevo, con todas las demás variables constantes. Pero como ya dijimos, para
el modelo logit la tasa de cambio en la probabilidad de que ocurra un suceso está dada
por𝛽𝑗 𝑃𝑖 (1 − 𝑃𝑖 ), donde 𝛽𝑗 es el coeficiente (de regresión parcial) de la j-ésima regresora. Pero
al evaluar 𝑃𝑖 , participan todas las variables incluidas en el análisis.
En el modelo probit, como ya vimos, la tasa de cambio de la probabilidad es un tanto complicada
y está dada por 𝛽𝑗 𝑓(𝑍𝑖 ) donde 𝑓 (𝑍𝑖 ) es la función de densidad de la variable normal
estandarizada 𝑍𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 ; es decir, el modelo de regresión utilizado en el
análisis.
Definición de las variables

GE: Que gane la elección AMLO. (DEPENDIENTE)

E: Edad

S: Sexo

NE: Nivel de educación

LR: lugar de residencia

PI: Con qué Partido Político se Identifica las personas.

IP: Que tan informado se está de las propuestas de los candidatos.

IC: Que es más influyente para un candidato.

GP: Que candidato ha tenido mayores gastos en su campaña.

TI: Que aspecto debe de enfocarse el próximo presidente.

FI: Frecuencia de información política.

IV: El gobierno ejercido en su localidad influirá en el voto presidencial.

PP: Profesión del próximo presidente.

EV: Aceptarías recompensa por tu voto.

P11: La trayectoria del PRI ayudara a MEADE

COG: Condiciones de ganar AMLO

VMP: Si margarita fuera candidata del PAN le ayudaría más.

VCI: Quien tiene mayor ventaja de los Independientes.

RLR: Es relevante que Ricardo Anaya halla estado con varios líderes mundiales.

QEA: Propuesta de AMLO de eliminar los exámenes de admisión

ICO: Coalición más influyente.

QDD: Propuesta de MEADE convertir dinero de delincuentes en becas.

ANALISIS ESTADISTICO (STATA)

Se encuestaron a 77 hombres y 133 mujeres para dar un total de 210 encuestas, con los
resultados obtenidos podemos observar que las personas de 20 años son las que predominaron
para que gane AMLO las elecciones junto con las de 22 años.
Pero los simpatizantes de otros candidatos se ven reflejados de una edad de 20 años junto con
21 que hacen que pierda AMLO.

Se encuestaron a 126 personas de la CDMX Y 84 DE EDO DE MEXICO teniendo una gran

relevancia gente con nivel superior, en el aspecto educativo.
Análisis estadístico. (Eviews)
Realizando la encuesta en la escuela superior de economía y ESCA podemos observar que
estás cuatro variables son las preguntas de control con estás realizamos el análisis estadístico
las cuales son edad (E), sexo (S), lugar de residencia (LR) y nivel de educación (NE).

Edad.
En un número de observaciones de 210 personas se logra observar que la media es de jóvenes
de 21 años
Sexo.
Teniendo el mismo número de observadores podemos observar que más de la mitad son
mujeres y que rondan entre los 21 años
Nivel de Educación.
Ya que la encuesta fue realizada en una universidad es obvio que más de la mitad son jóvenes
universitarios que rondan entre los 21 años y son más mujeres que hombres.
Lugar de residencia.
La mayoría de los jóvenes viven en la CDMX y el Estado de México
En esta grafica se representa la edad de nuestros encuestados, como ya lo habíamos
mencionado predomina de 20 a 22 años
ESTIMACIÓN POR MINIMOS CUADRADOS ORDINARIOS (MODELO INICIAL)

Introduciendo todas las variables en la estimación y tomando un 10%. Tomamos este 10%
porque realizamos encuestas y no estamos muy seguros de que tanta atención o verdad las
hayan hecho, por eso dejamos de lado ese estricto 5% que estamos acostumbrados a tomar.
Ya explicando que nivel de confianza que tomamos, logramos observar que varias variables
explicativas no pueden explicar bien a la explicada porque pasan el nivel de probabilidad que
deseamos por ejemplo IV(Influencia en el voto) está fuertemente relacionada con la variable
explicada así que será descartada de la ecuación principal.
Por lo que a continuación realizaremos el coeficiente de diagnóstico a través de variables
redundantes para ver cuales variables salen del modelo inicial, para lograr quedarnos con las
que expliquen bien a la dependiente (GE).
ESTIMACIÓN POR MINIMOS CUADRADOS ORDINARIOS (MODELO FINAL)
Realizando el coeficiente de diagnóstico a través de variables redundantes con un 10%
observamos que nos quedamos con cinco variables que pueden explicar un poco a la variable
de control las cuales se pueden interpretar de esta manera.
Muchos jóvenes que rondan entre los 21 años son de la CDMX y Edo. De México piensan que
Andrés Manuel López Obrador está en malas condiciones por sus coaliciones con los demás
partidos y le será difícil ganar las elecciones, porque creen que el PRI es un partido importante
en México y esto le traerá una ventaja importante a MEADE a parte que se les hizo interesante
su propuesta de quitarles el dinero a los delincuentes.
MODELO BINARIO
LOGIT

COG: A medida de que va aumentando el valor de la variable va aumentando la posibilidad de

ganar AMLO las elecciones de Presidente de México con un 53.83%
E: A medida que disminuye la edad de los encuestados, disminuye la posibilidad de ganar
AMLO con un 13.12%
LR: A medida de que va aumentando e valor de la variable, disminuye la posibilidad de ganar
de AMLO en un 80%
P11: A medida de que va aumentando el valor de la variable, disminuye el valor de influencia
de que Meade sea de un partido de gran trayectoria política en un 37.09%
QDD: A medida de que va aumentando el valor de la variable, disminuyen las condiciones de
ganar de AMLO en un 32.66%
PROBIT

COG: A medida de que va aumentando el valor de la variable va aumentando la posibilidad de ganar

AMLO las elecciones de Presidente de México con un 31.50%
E: A medida que disminuye la edad de los encuestados, disminuye la posibilidad de ganar AMLO con
un 7.89%
LR: A medida de que va aumentando e valor de la variable, disminuye la posibilidad de ganar de AMLO
en un 48.44%
P11: A medida de que va aumentando el valor de la variable, disminuye el valor de influencia de que
Meade sea de un partido de gran trayectoria política en un 22.43%
QDD: A medida de que va aumentando el valor de la variable, disminuyen las condiciones de ganar de
AMLO en un 20.15%
ESPECIFICACIÓN DE LA ELECCIÓN PARA EL MODELO PROBIT
Las especificaciones de los modelos Logit, Probit dan resultados cualitativamente semejantes,
para la mayoría de las aplicaciones, los modelos son muy semejantes; la principal diferencia es
que la función logística tiene colas un poco más anchas en comparación con el modelo probit y
las probabilidades decrecen en probit, el valor de la pseudo r de Mcfadden es mayor en el
modelo probit lo cual lo elegiremos en este modelo (aunque no siempre se puede asegurar
elegir el modelo).

PRUBAS DE BONDAD DE AJUSTE

Dependent Variable Frequencies

En este resultado vemos como AMLO no es tan popular en nuestras encuestas ya que por un
margen casi del doble con un 66.19% estan prefiriendo al resto de los candidatos para ser
presidente de Mexico.
Categorical Descriptive Statistics for Explanatory Variables

COG: En esta pregunta se analiza la condición de ganar de AMLO la media a las encuestas
muestran que se encuentra su situación en la respuesta B (2) que menciona que está en malas
condiciones ya que sus coaliciones con los demás partidos no ha sido muy favorable, adicional
a ello el aceptar a muchos políticos con problemas de corrupción.
E: La edad en la cual está apoyando a ganar a AMLO se centra en 22 años y la gente que no
lo está apoyando ya que apoya al resto se centra en 21 años.
LR: El lugar de residencia se está basando principalmente en la CDMX
P11: Para las personas encuestadas piensan que el mal gobierno ejercidos por los presidentes
Priistas está haciendo que no influya de mucho la trayectoria de tantos años del Partido hacia
Meade.
QDD: Con los datos recabados la gente se muestra en la postura no creer en la propuesta de
MEADE en quitarles el dinero a los delincuentes y convertirlo en becas ya que, piensan que les
rodea mucha corrupción y eso será el impedimento de que cumplan esta propuesta.
Expectation-Prediction Evaluation for Binary Specification (0.7)

A pesar de que AMLO tiene mucha popularidad en todos los sectores de la sociedad, en los
resultados recabados de la en cuenta podemos ver que no está siendo tan influyente ya que
están yéndose por la oposición generando mayores números los demás candidatos.
Goodness-of-Fit Evaluation for Binary Specification Goodness-of-Fit Evaluation for
Binary Specification

Resultado:
Las columnas etiquetadas "Cuantiles de riesgo" representan el valor alto y bajo de la
probabilidad pronosticada para cada decil. También se representa el número real y esperado
de observaciones en cada grupo, así como la contribución de cada grupo a la estadística
general Hosmer-Lemeshow (HL): los valores grandes indican grandes diferencias entre los
valores reales y predichos para ese decil.
1- En el primer cuantil vemos un valor bajo de 0.0370 y un valor alto de 0.4618 en donde
determinamos que existe una gran diferencia entre los valores reales y los predichos.
En el primer cuantil logramos entender que AMLO tiene 13.699 de probabilidad de ganar con
un 7.30015 de probabilidad de que ganen el resto de los candidatos.
2- En este segundo cuantil está más reñido pero AMLO tiene menos probabilidad de ganar con
una ligera ventaja de 0.4734.
3- En el tercer cuantil se muestra que la popularidad de AMLO está disminuyendo, con una
diferencia de 9.05563 con un 11.9444.
4- el hecho de que AMLO tenga más contendientes está haciendo que disminuya su
probabilidad de ganar ahora se ve una diferencia de 5.2878.
5- se sigue con la misma predicción de perder AMLO ya que su probabilidad como van
aumentando los cuantiles disminuye ahora se ve la diferencia de 7.10235 con una de 13.8977
6- La popularidad del resto de los candidatos se ve reflejada ya que como avanza esta prueba
se ve favorecido con un aumento a 14.5614 con una mínima probabilidad de 7.10235 de ganar
AMLO.
7- El hecho de que solo sea AMLO contra 5 candidatos más se ve muy reflejado ya que
disminuye cada vez más la popularidad de AMLO y esto hace que ahora la probabilidad de
ganar el resto de los candidatos es de 15.4191
8- En este cuantil vemos que va aumentando más la popularidad del resto de los candidatos
ahora vemos que la diferencia es de 11.41864 de que gane el resto de los candidatos.
9- En este cuantil vemos que no se está favoreciendo para ganar AMLO ya que baja su
probabilidad de ganar a 3.75622
10- Finalmente, se tiene que la probabilidad de ganar de AMLO queda en 2.45862 y el del resto
de los candidatos es de 18.5414 cosa que deja claro que está muy difícil que gane las
elecciones AMLO.
CÁLCULO DE PROBABILIDADES
Conociendo el modelo de respuestas binarias, específicamente: LOGIT y PROBIT, podemos
hacer el cálculo de las probabilidades correspondiente de cada modelo, sabemos que el modelo
LOGIT corre con la función de distribución acumulada (CDF) para una variable aleatoria
logística estándar, a su vez el modelo PROBIT está en función de la densidad normal estándar.
Con ello podemos conocer como es la probabilidad en función con el conjunto de regresores
que está influenciado en el modelo de cada respuesta binaria.

Probabilidad del modelo LOGIT

Tenemos la representación del modelo LOGIT.

Veremos primero que resultado arroja con la función logística, para ello en primera instancia
tomaremos los valores medios de cada regresor de nuestro modelo

Entonces:

El resultado es:
Veamos ahora que resultado arroja aplicando la función logística directamente:

Ambos valores coinciden, ahora bien la interpretación está en función de los valores medios del
conjunto de regresores:
COG: es la condición en la que se encuentra AMLO para ganar la presidencia, el valor medio
está aproximadamente a 2, lo que significa que está en malas condiciones.
E: la edad, el promedio radica a los 21 años de edad.
LR: el lugar de residencia, en donde generalmente viven en la ciudad de México.
P11: es la condición del trayecto que ha tenido el PRI con los gobiernos presidenciales, lo que
indica que no han gobernado bien.
QDD: propuesta del PRI de quitar los exámenes de admisión, que de acuerdo al promedio
entrevistado no les parece adecuado por la corrupción que les rodea a su gabinete.
Considerando esos factores medios de nuestros regresores LOGIT, la probabilidad que gane
AMLO es del 73.62%, frente a un fracaso de 26.38% que no gane.
Cabe de indicarse que la probabilidad se pueden interaccionar de acuerdo a la función logística
te tomar diferentes valores los regresores, es decir podemos ver la probabilidad de éxito cuando
se tiene en buenas condiciones para ganar AMLO, cuando los entrevistados son del estado de
México cuya edad 25 años, etc.
Probabilidad del modelo PROBIT

Para obtener la probabilidad estimada del modelo PROBIT haremos uso de la función
acumulada de la normal estándar (CDF), apara ello ajustaremos el comando 1 −
@𝐶𝑁𝑂𝑅𝑀(−(𝑧)) en EVIEWS. Se debe notar que EViews reporta el z-test por ello tenemos que
transfórmalo en probabilidad.
Tomaremos los valores generalizadores, es decir los promedios nuevamente de los regresores
del modelo PROBIT:

Se llega al valor de probabilidad estimado de 73.38%, difiere en poca medida del valor estimado
(probabilidad) del modelo LOGIT, cabe señalar que el modelo PROBIT señala de mejor manera
la probabilidad, una explicación concreta es por la medida estándar de la distribución normal,
aquí la explicación del valor 0.7338 está en términos de los valores medios de los regresores
tal como se indicó en el modelo LOGIT.

Si hacemos uso de la función @𝐷𝑁𝑂𝑅𝑀(𝑧) en EViews:

Obtenemos
Puede indicar el cambio en la probabilidad en un 10.34% de que AMLO SI gane considerando
los valores medios de los regresores especificado anteriormente ante un cambio en el valor del
coeficiente asociado a las condiciones que se encuentra AMLO (COG) para ganar la
presidencia.

EFECTOS MARGINALES
MODELO LOGIT

Mediante STATA se obtiene los efectos marginales para el modelo LOGIT, se describen los
valores de la tasa de cambio parcial de cada uno de los regresores promedios, como vemos la
edad, el lugar de residencia, la influencia de la trayectoria del PRI en la presidencia y la
propuesta de quitarles el dinero a los delincuentes están en sentido inverso con relación a ganar
AMLO, mientras como es de esperarse las condiciones que gane AMLO es directa. La edad
influyente media es de 21 años por lo que el cambio marginal de 21 a 18 años de las personas
entrevistadas en la opción de ganar AMLO es de 0.1177, del cual la variables LR (lugar de
residencia) está cambiando marginalmente en un -0.1750, en este modelo indica que a medida
si varia la opción de ganar AMLO, las personas entrevistadas residen un cambio promedio en
la CDMX. Por el otro lado la trayectoria del PRI en la presidencia para MEADE está influyendo
un cambio marginal de -0.0811indicando que a medida que gane AMLO hay una variación
parcial en cuanto se opte por aceptar un buen manejo presidencial por parte del PRI y esto
influya mayor ventaja para MEADE, finalmente las decisiones medias en cuanto que gane
AMLO, el efecto marginal de la propuesta de quitarles el dinero a los delincuentes por parte de
MEADE, está en un valor de -0.07145, señalando que a medida que se opte por éxito, el efecto
en la propuesta de MEADE es de gran importancia y de menor ventaja para que gane AMLO.

MODELO PROBIT

El resultado marginal promedio del modelo PROBIT, es casi semejante al modelo LOGIT. Otra
salida aleatoria óptima del efecto marginal arroja los siguientes valores:
No se tratan de valores promedios de los regresores, son efectos de iteración óptima que
aleatoriamente STATA ajusta, las variables existentes indican efecto inversamente al éxito de
ganar AMLO, no varía mucho los resultados a la interpretación en LOGIT, pero los valores
marginales PROBIT es más eficaz y accesible para saber la determinación del cambio en la
variable dependiente (GE) ante el cambio de sus regresores.
Referencias

Damodar N. Gujarati y Dawn C. Porter. Econometría, Quinta edición. McGraw-

Hill/Interamericana editores 2010.
Mark A. Reiman and R. Carter Hiil. Using EViews For UNDERGRDUATE
ECONOMETRICS, Second Edition. John Wiley & Sons 2001.