ECONOMETRÍA

MBA. Julio A. Valle Veliz

TEMA Nº 3:
MODELOS DE REGRESIÓN
MULTIPLE
CONCEPTO
ANÁLISIS UTILIZADO PARA ESTUDIAR LA POSIBLE
RELACIÓN ENTRE DOS Ó MÁS VARIABLES
INDEPENDIENTES Y UNA VARIABLE DEPENDIENTE.

 LAS INDEPENDIENTES TOMARÁN EL NOMBRE

DE VARIABLES PREDICTORAS Ó EXPLICATIVAS.
 LAS DEPENDIENTES TOMARÁN EL NOMBRE DE
VARIABLES RESPUESTA.
EJEMPLO
BUSCAMOS CONOCER LAS VARIABLES QUE
EXPLIQUEN LA EFICIENCIA DE UN PROCESO
PRODUCTIVO (EPP), ESTAS PUEDEN SER:
 CAPITAL HUMANO (CH)
 CALIDAD DE MATERIA PRIMA (QMP)
 NIVEL TECNOLÓGICO (NT)
 HORAS/HOMBRE (HH)
EPP = 100 + 8.20CH + 3.40QMP + 0.99NT + 1.10HH
CONSIDERACIONES
 NO UTILIZAR UNA INDEPENDIENTE Y DOS Ó MAS
DEPENDIENTES.
 LOS MODELOS DE REGRESIÓN MUESTRAN LA
PRESENCIA DE RELACIONES, PERO NO EL MECANISMO
CAUSAL. (A ESTE NIVEL)
 TOMAR EN CUENTA LA RELACIÓN ENTRE VARIABLES
INDEPENDIENTES (COLINEALIDAD)
 APLICAR SOLO CUANDO LA VARIABLE RESPUESTA ES
DE TIPO NUMÉRICO.
 CUANDO LA VARIABLE RESPUESTA ES DE TIPO
DICOTÓMICO APLICAR EL MODELO DE REGRESIÓN
LOGÍSTICA.
APLICACIÓN EN INVESTIGACIÓN
 IDENTIFICACIÓN DE VARIABLES EXPLICATIVAS,
SELECCIONANDO LAS QUE PUEDEN INFLUIR
EN LA RESPUESTA Y DESCARTANDO LAS QUE
NO.
 DETECCIÓN DE INTERACCIONES, ENTRE
VARIABLES INDEPENDIENTES, QUE AFECTAN
LA VARIABLE RESPUESTA.
 IDENTIFICACIÓN DE VARIABLES CONFUSORAS.
REQUISITOS
 LINEALIDAD
 NORMALIDAD Y EQUIDISTRIBUCIÓN DE LOS
RESIDUOS
 NÚMERO DE VARIABLES INDEPENDIENTES
 OBSERVAR LA COLINEALIDAD
 DETECTAR OBSERVACIONES ANÓMALAS
MODELO DE REGRESIÓN LINEAL
INTERPRETACIÓN DE RESULTADOS

 SIGNIFICACIÓN DEL MODELO DE REGRESIÓN

 LOS COEFICIENTES
 LA BONDAD DE AJUSTE (R CUADRADO
CORREGIDA)
 MATRIZ DE CORRELACIONES
–1.00 = CORRELACIÓN NEGATIVA PERFECTA.
–0.90 = CORRELACIÓN NEGATIVA MUY FUERTE.
–0.75 = CORRELACIÓN NEGATIVA CONSIDERABLE.
–0.50 = CORRELACIÓN NEGATIVA MEDIA.
–0.25 = CORRELACIÓN NEGATIVA DÉBIL.
–0.10 = CORRELACIÓN NEGATIVA MUY DÉBIL.
0.00 = NO EXISTE CORRELACIÓN ALGUNA ENTRE LAS VARIABLES.
+0.10 = CORRELACIÓN POSITIVA MUY DÉBIL.
+0.25 = CORRELACIÓN POSITIVA DÉBIL.
+0.50 = CORRELACIÓN POSITIVA MEDIA.
+0.75 = CORRELACIÓN POSITIVA CONSIDERABLE.
+0.90 = CORRELACIÓN POSITIVA MUY FUERTE.
+1.00 = CORRELACIÓN POSITIVA PERFECTA.
TEMA Nº 4:
REGRESIÓN LOGÍSTICA
REGRESIÓN LOGÍSTICA
EN GENERAL, LA REGRESIÓN LOGÍSTICA ES ADECUADA
CUANDO LA VARIABLE RESPUESTA ES POLITÓMICA, ES
DECIRADMITE VARIAS CATEGORÍAS DE RESPUESTA:
 MEJORA MUCHO

EMPEORA

SE MANTIENE

MEJORA

MEJORA MUCHO

PERO ES ESPECIALMENTE ÚTIL CUANDO SOLO HAY DOS

POSIBLES RESPUESTAS,CUANDO LA VARIABLE DE
RESPUESTA ES DICOTÓMICA.
LA REGRESIÓN LOGÍSTICA VA A CONTESTAR A
PREGUNTAS TALES COMO:
 ¿SE PUEDE PREDECIR CON ANTELACIÓN SI UN
CLIENTE QUE SOLICITA UN PRÉSTAMO A UN BANCO
VA A SER UN CLIENTE MOROSO?
 ¿SE PUEDE PREDECIR SI UNA EMPRESA VA A ENTRAR
EN BANCARROTA?.
 ¿SE PUEDE PREDECIR DE ANTEMANO QUE UN
COLABORADOR RENUNCIARÁ?.
 ¿SE PUEDE PREDECIR SI UN CLIENTE COMPRARÁ
NUEVAMENTE?
MODELO DE REGRESIÓN LOGÍSTICA
EL MODELO LOGÍSTICO ESTABLECE LA SIGUIENTE
RELACIÓN ENTRE LA PROBABILIDAD DE QUE OCURRA EL
SUCESO, DADO QUE EL SUJETO PRESENTA LOS
VALORES:
EJEMPLO
 TIPOS DE MODELOS

 LOGIT DICOTÓMICO: SE UTILIZA CUANDO EL NÚMERO DE

ALTERNATIVAS SON DOS Y EXCLUYENTES ENTRE SÍ.
 LOGIT DE RESPUESTA MÚLTIPLE: SE UTILIZA CUANDO EL
NÚMERO DE ALTERNATIVAS A MODELIZAR ES SUPERIOR A
DOS.
 LOGIT CON DATOS NO ORDENADOS: SE UTILIZA CUANDO
LAS ALTERNATIVAS QUE PRESENTA LA VARIABLE
ENDÓGENA NO INDICAN NINGÚN ORDEN
 LOGIT MULTINOMIAL: SE UTILIZA CUANDO LA VARIABLE
DEPENDIENTE ES NOMINAL, PARA LA CUAL EXISTE MÁS DE
DOS CATEGORÍAS.
 LOGIT CONDICIONAL: CONSIDERA LA
ESTRATIFICACIÓN Y EL EMPAREJAMIENTO DE DATOS,
SE UTILIZA EN ESTUDIOS OBSERVACIONALES.

 LOGIT CON DATOS ORDENADOS: SE UTILIZA CUANDO

LAS ALTERNATIVAS DE LA VARIABLE ENDÓGENA
PRESENTAN UN ORDEN ENTRE ELLAS.
 TRABAJO EN SPSS
 ANALIZAR
 REGRESIÓN
 LOGÍSTICA BINARIA
 DEPENDIENTE
 COVARIABLES
 COVARIABLES CATEGÓRICAS
 METODO : INTRODUCIR
 CONSIDERANDOS
a) IDENTIFICAR QUE DEBEMOS TENER UNA VARIABLE
DEPENDIENTE DICOTÓMICA, CUYO RESULTADO DESEAMOS
PREDECIR.
b) PERMITE INTRODUCIR COMO VARIABLES PREDICTORAS DE
LA RESPUESTA (EFECTO) UNA MEZCLA DE VARIABLES
CATEGÓRICAS Y CUANTITATIVAS
c) LA VARIABLE DEPENDIENTE (LA QUE SE DESEA MODELIZAR,
Y) ES CATEGÓRICA, HABITUALMENTE DICOTÓMICA (RL
BINARIA), LO QUE CONSTITUYE UNA CIRCUNSTANCIA MUY
FRECUENTE Y SIMPLE DE REPRESENTAR FENÓMENOS EN LA
NATURALEZA Y EN CIENCIAS DE LA VIDA: SI/NO,
PRESENTE/AUSENTE, ETC.
 EL MODELO

DONDE α, Β1, Β2, Β3,…, ΒK SON LOS PARÁMETROS DEL MODELO, Y exp
DENOTA LA FUNCIÓN EXPONENCIAL. ESTA FUNCIÓN EXPONENCIAL ES
UNA EXPRESIÓN SIMPLIFICADA QUE CORRESPONDE A ELEVAR EL
NÚMERO E A LA POTENCIA CONTENIDA DENTRO DEL PARÉNTESIS,
SIENDO E EL NÚMERO O CONSTANTE DE EULER, O BASE DE LOS
LOGARITMOS NEPERIANOS (CUYO VALOR APROXIMADO A LA MILÉSIMA
ES 2,718).
 VARIABLE CONFUNDENTES

 QUE SERÁ NECESARIO AJUSTAR O CONTROLAR, YA QUE, DE LO

CONTRARIO, LA EVALUACIÓN DE LA RELACIÓN PRINCIPAL (X → Y)
PODRÍA SER ESPÚREA.
 ESTO LO DA EL CONOCIMIENTO DEL TEMA Y LA REVISIÓN DE LA
LITERATURA, POR LO QUE DEBEN RECOGERSE (E INCLUIRSE EN EL
ANÁLISIS) AQUELLAS VARIABLES PREDICTORAS QUE OTROS
ESTUDIOS HAYAN RECONOCIDO COMO TALES.
 EL ANÁLISIS ESTRATIFICADO Y EL ANÁLISIS MULTIVARIANTE SERÁN
LAS ESTRATEGIAS EN ESTA FASE DE ANÁLISIS PARA CORREGIR SU
EFECTO, PROCEDIMIENTOS QUE PERMITEN EL AJUSTE O CONTROL.
 VARIABLE MODIFICADORES DE EFECTO

 QUE PRODUCEN CAMBIOS EN LA RELACIÓN PRINCIPAL

EVALUADA (X → Y) EN TÉRMINOS DE INCREMENTARLA O
DISMINUIRLA. ESTO TAMBIÉN LO DA EL CONOCIMIENTO DEL
TEMA Y LA REVISIÓN DE LA LITERATURA, AUNQUE EN
OCASIONES ES UN DESCUBRIMIENTO DEL INVESTIGADOR,
DEBIENDO ENTONCES INCORPORARSE A LAS CONCLUSIONES
DEL ESTUDIO.
 EL ANÁLISIS ESTRATIFICADO, EVALUANDO LA RELACIÓN
PRINCIPAL EN LOS DIFERENTES ESTRATOS DE LA VARIABLE
PRESUMIBLEMENTE MODIFICADORA DE EFECTO.
 OBJETIVO DEL ANÁLISIS

a) PREDECIR UNA DETERMINADA RESPUESTA A PARTIR DE LAS

VARIABLES PREDICTORAS O INDEPENDIENTES.
b) CALCULAR LOS RIESGOS AJUSTADOS O CONTROLADOS (NO
SESGADOS) PARA CADA VARIABLE INDEPENDIENTE. EN ESTE
CASO ES IMPORTANTE DETERMINAR EL CONJUNTO DE
VARIABLES QUE SERÁ OPORTUNO CONTROLAR EN EL
ANÁLISIS, INCLUYENDO AQUELLAS QUE TENGAN UNA
ADECUADA JUSTIFICACIÓN TEÓRICA
 VARIABLES

a) LA VARIABLE DEPENDIENTE (O
RESULTADO), LA QUE DESEAMOS
MODELIZAR O PREDECIR, QUE SERÁ UNA
CATEGÓRICA DICOTÓMICA, CODIFICADA
CON VALORES 0 Y 1 (SI NO ESTÁ ASÍ
CODIFICADA EL PROGRAMA LE ASIGNA
ESE CÓDIGO INTERNO).
b) LA (O LAS) COVARIABLE (S), YA SEAN
PREDICTORAS, CONFUNDENTES Y/O
MODIFICADORAS DE EFECTO, Y QUE NOS
PARECEN DEBEN SER INCLUIDAS EN EL
MODELO (POR ESTAS DIFERENTES
RAZONES).
 EL MÉTODO
 EL MÉTODO “INTRODUCIR”. PERMITE AL INVESTIGADOR TOMAR EL MANDO,
DECIDIR QUE VARIABLES SE INTRODUCEN O EXTRAEN DEL MODELO.
 EL MÉTODO “ADELANTE”: ES UNO DE LOS MÉTODOS AUTOMÁTICOS (O POR
PASOS), QUE DEJA QUE EL PROGRAMA VAYA INTRODUCIENDO VARIABLES
EN EL MODELO, EMPEZANDO POR AQUELLAS QUE TIENEN COEFICIENTES
DE REGRESIÓN MÁS GRANDES, ESTADÍSTICAMENTE SIGNIFICATIVOS. EN
CADA PASO REEVALÚA LOS COEFICIENTES Y SU SIGNIFICACIÓN,
PUDIENDO ELIMINAR DEL MODELO AQUELLOS QUE NO CONSIDERA
ESTADÍSTICAMENTE SIGNIFICATIVOS.
 EL MÉTODO “ATRÁS”: AL IGUAL QUE EL ANTERIOR ES OTRO DE LOS
MÉTODOS AUTOMÁTICOS. EN ESTE CASO PARTE DE UN MODELO CON
TODAS LAS COVARIABLES QUE SE HAYAN SELECCIONADO EN EL CUADRO
DE DIÁLOGO, Y VA ELIMINANDO DEL MODELO AQUELLAS SIN
SIGNIFICACIÓN ESTADÍSTICA.
 OPCIONES
 GRÁFICOS DE CLASIFICACIÓN. HISTOGRAMA DE LOS VALORES
ACTUALES Y PRONOSTICADOS POR EL MODELO PARA LA
VARIABLE DEPENDIENTE.
 BONDAD DE AJUSTE DE HOSMER-LEMESHOW. ESTE ESTADÍSTICO
DE BONDAD DE AJUSTE ES UN MÉTODO PARA EVALUAR EL AJUSTE
GLOBAL DEL MODELO, MÁS ROBUSTO QUE EL ESTADÍSTICO DE
BONDAD DE AJUSTE TRADICIONALMENTE UTILIZADO EN LA
REGRESIÓN LOGÍSTICA, ESPECIALMENTE PARA LOS MODELOS
CON COVARIABLES CONTINUAS Y LOS ESTUDIOS CON TAMAÑOS
DE MUESTRA PEQUEÑOS. SE BASA EN AGRUPAR LOS CASOS EN
DECILES DE RIESGO Y COMPARAR LA PROBABILIDAD OBSERVADA
CON LA PROBABILIDAD ESPERADA DENTRO DE CADA DECIL.
 LISTADO DE RESIDUOS POR CASO. MUESTRA LOS RESIDUOS
NO ESTANDARIZADOS, LA PROBABILIDAD PRONOSTICADA Y
LOS GRUPOS DE PERTENENCIA OBSERVADO Y
PRONOSTICADO.
 CORRELACIONES DE ESTIMACIONES. MUESTRA LA MATRIZ
DE CORRELACIONES DE LAS ESTIMACIONES DE LOS
PARÁMETROS PARA LOS TÉRMINOS DEL MODELO.
 HISTORIAL DE ITERACIONES: MUESTRA LOS COEFICIENTES
Y EL LOGARITMO DE LA VEROSIMILITUD EN CADA ITERACIÓN
DEL PROCESO DE ESTIMACIÓN DE LOS PARÁMETROS.
TEMA Nº 5:
MODELO PROBIT
DEFINICIÓN
 MIDE LA RELACIÓN ENTRE LA INTENSIDAD DE UN
ESTÍMULO Y LA PROPORCIÓN DE CASOS QUE
PRESENTAN UNA CIERTA RESPUESTA A DICHO
ESTÍMULO.
 ÚTIL PARA SITUACIONES EN LAS QUE SE DISPONE
DE UNA RESPUESTA DICOTÓMICA QUE SE PIENSA
PUEDE ESTAR INFLUENCIADA O CAUSADA POR LOS
NIVELES DE ALGUNA O ALGUNAS VARIABLES
INDEPENDIENTES.
 ES PARTICULARMENTE ADECUADA PARA DATOS
EXPERIMENTALES.
 ESTE PROCEDIMIENTO PERMITE ESTIMAR LA INTENSIDAD NECESARIA
PARA QUE UN ESTÍMULO LLEGUE A INDUCIR UNA DETERMINADA
PROPORCIÓN DE RESPUESTAS.
 ¿QUÉ EFECTIVIDAD TIENE UN NUEVO PESTICIDA PARA Y CUÁL ES LA
CONCENTRACIÓN ADECUADA QUE SE DEBE UTILIZAR?
 UN EXPERIMENTO EN EL QUE SE EXPONGAN MUESTRAS DE
HORMIGAS A DIFERENTES CONCENTRACIONES DEL PESTICIDA.
 REGISTRAR EL NÚMERO DE HORMIGAS MUERTAS Y EL NÚMERO DE
HORMIGAS EXPUESTAS.
 EL ANÁLISIS PROBIT PUEDE DETERMINAR LA FUERZA DE LA
RELACIÓN ENTRE CONCENTRACIÓN Y MORTALIDAD, ASÍ COMO
DETERMINAR LA CONCENTRACIÓN ADECUADA DE PESTICIDA SI
DESEA ASEGURAR LA EXTERMINACIÓN DE POR EJEMPLO EL 95% DE
LAS HORMIGAS EXPUESTAS.
ESTADÍSTICOS
 COEFICIENTES DE REGRESIÓN Y ERRORES
ESTÁNDAR.
 INTERSECCIÓN Y SU ERROR ESTÁNDAR.
 CHI-CUADRADO DE PEARSON Y LA BONDAD DE
AJUSTE.
 FRECUENCIAS OBSERVADAS Y ESPERADAS
 INTERVALOS DE CONFIANZA PARA LOS NIVELES
EFECTIVOS DE LA VARIABLE O VARIABLES
INDEPENDIENTES.
 PLOTS: GRÁFICOS DE RESPUESTAS
TRANSFORMADAS.
 ANÁLISIS PROBIT ESTÁ ESTRECHAMENTE
RELACIONADO CON LA REGRESIÓN LOGÍSTICA.
 EL ANÁLISIS PROBIT ES APROPIADO PARA LOS
DISEÑOS EXPERIMENTALES.
 LA REGRESIÓN LOGÍSTICA ES MÁS ADECUADA
PARA LOS ESTUDIOS OBSERVACIONALES.
 EL PROCEDIMIENTO ANÁLISIS PROBIT INFORMA DE
LAS ESTIMACIONES DE LOS VALORES EFECTIVOS
PARA LAS DIFERENTES TASAS DE RESPUESTA.
 LA REGRESIÓN LOGÍSTICA INFORMA DE LAS
ESTIMACIONES DE LAS RAZONES DE LAS VENTAJAS
PARA LAS VARIABLES INDEPENDIENTES.
PROCEDIMIENTO

 SELECCIONAR UNA VARIABLE PARA LA FRECUENCIA DE

RESPUESTA.
 ESTA VARIABLE INDICA EL NÚMERO DE CASOS QUE
PRESENTAN UNA RESPUESTA AL ESTÍMULO DE PRUEBA.
 LOS VALORES DE ESTA VARIABLE NO PUEDEN SER
NEGATIVOS.
 SELECCIONAR UNA VARIABLE PARA EL TOTAL OBSERVADO.
 ESTA VARIABLE INDICA EL NÚMERO DE CASOS A LOS QUE SE
APLICÓ EL ESTÍMULO.
 PARA CADA CASO, LOS VALORES DE ESTA VARIABLE NO
PUEDEN SER NEGATIVOS NI MENORES QUE LOS VALORES DE
LA VARIABLE DE FRECUENCIA DE RESPUESTA.
 SELECCIONAR UNA O VARIAS COVARIABLES.
 LA COVARIABLE CONTIENE EL NIVEL DEL ESTÍMULO
APLICADO EN CADA OBSERVACIÓN.
 SI DESEA TRANSFORMAR LA COVARIABLE, DEBE
SELECCIONAR UNA TRANSFORMACIÓN DE LA LISTA
DESPLEGABLE TRANSFORMAR.
 SI NO SE APLICA NINGUNA TRANSFORMACIÓN Y
HAY UN GRUPO DE CONTROL, ÉSTE SE INCLUIRÁ
EN EL ANÁLISIS.
 MEDIDAS NO PARAMETRICAS
SE APLICAN CUANDO:
 NUMERO ESCASO DE OBSERVACIONES
 NIVEL DE MEDICION DE LAS VARIABLES
 NO ES POSIBLE HACER SUPUESTOS SOBRE LA DISTRIBUCION
MUESTRAL.
 SE ACEPTAN DISTRIBUCIONES NO NORMALES
 LAS VARIABLES DEBEN SER CATEGORICAS
MEDIDAS NO PARAMETRICAS

 CHI CUADRADO

 COEFICIENTE DE CORRELACION DE KENDALL

 COEFICIENTE DE CORRELACION DE SPERMAN

EL ODD EN LA REGRESIÓN LOGIT - PROBIT

 EL ODD ES LA PROBABILIDAD DE QUE SUCEDA UN

EVENTO DIVIDIDO POR LA PROBABILIDAD DE QUE NO
SUCEDA.
 LOS ODD OSCILAN ENTRE 0 E INFINITO Y SE PUEDEN
CALCULAR PARA LA OCURRENCIA DEL EVENTO
COMO PARA LA NO OCURRENCIA DEL EVENTO.
P (Existo) = 0.65
P (Fracaso) = 0.35
ODD de existo 0.65/0.35 = 1.86
ODD de fracaso 0.35/0.65 = 0.54
 LOS ODDS SE INTERPRETAN COMO RATIOS, ES
DECIR, LA CANTIDAD DE VECES QUE ALGO PUEDA
SUCEDER SOBRE QUE NO PUEDA SUCEDER.
EL ODD RATIO

 EL ODD RATIO ES UNA MEDIDA DE ASOCIACIÓN

ENTRE DOS VARIABLES QUE INDICA LA FORTALEZA
DE RELACIÓN ENTRE DOS VARIABLES.
ES NO ES
TOTAL
ESTUDIANTE ESTUDIANTE
SI COMPRA EL
PRODUCTO 100 250 350
NO COMPRA EL
PRODUCTO 300 350 650
TOTAL 400 600 1000
LA PROBABILIDAD DE COMPRAR ( E )100/400 = 0.25
LA PROBABILIDAD DE NO COMPRAR ( E ) 300/400 = 0.75
EL ODD DE LOS ESTUDIANTES 0.25/0.75 = 0.33

LA PROBABILIDAS DE COMPRAR (NE) 250/600 = 0.42

LA PROBABILIDAD DE NO COMPRAR (NE) 350/600 = 0.58
EL ODD DE LOS NO ESTUDIANTES 0.42/0.58 = 0.72

EL ODD RATIO ENTRE COMPRAR Y SER ESTUDIANTE =

0.33 / 0.72 = 0.46
INTERPRETACIÓN

 LOS ODD RATIO OSCILAN ENTRE 0 E INFINITO.

 CUANDO EL ODD RATIO ES 1 INDICA AUSENCIA DE
ASOCIACIÓN ENTRE LAS VARIABLES.
 LOS VALORES MENORES DE 1 SEÑALAN UNA
ASOCIACIÓN NEGATIVA ENTRE LAS VARIABLES
 LOS VALORES MAYORES DE 1 INDICAN ASOCIACIÓN
POSITIVA ENTRE LAS VARIABLES.
 CUANTO MÁS SE ALEJE EL ODD RATIO DE 1, MÁS
FUERTE ES LA RELACIÓN.
 INTERPRETACIÓN
 LA REGRESIÓN LOGÍSTICA RECURRE A LOS ODD RATIOS
PORQUE SON MEDIDAS ESTANDARIZADAS QUE PERMITEN
COMPARAR EL NIVEL DE INFLUENCIA O FORTALEZA DE LAS
VARIABLES INDEPENDIENTES SOBRE LA VARIABLE
DEPENDIENTE.
 LAS VARIABLES INDEPENDIENTES ESTÁN EN DIFERENTES
ESCALAS (ALGUNAS EN AÑOS, OTRAS EN UNA ESCALA DE 1 A
10, OTRAS EN DÓLARES), Y ADEMÁS ESTÁN EXPRESADAS EN
LOGARITMOS.
 SE NECESITA ESTANDARIZAR LAS ESCALAS. LA MANERA DE
ESTANDARIZAR Y ASÍ PODER COMPARAR LAS VARIABLES
INDEPENDIENTES ES A TRAVÉS DE LOS ODD RATIOS.
 INTERPRETACIÓN EN EL SPSS

 LOS EXPONENTES DE B (EXP(B)) SON ODD RATIOS Y PUEDEN

COMPARASE ENTRE SÍ PARA SABER QUÉ VARIABLE TIENEN MÁS
INFLUENCIA O ESTÁ ASOCIADA DE MANERA MÁS FUERTE
 CUANDO EL EXP(B) ES MAYOR DE 1 SEÑALA QUE UN AUMENTO DE
LA VARIABLE INDEPENDIENTE, AUMENTA LOS ODDS QUE OCURRA
EL EVENTO (ES DECIR, LA VARIABLE DEPENDIENTE).
 CUANDO EL EXP(B) ES MENOR DE 1 INDICA QUE UN AUMENTO DE
LA VARIABLE INDEPENDIENTE, REDUCE LOS ODDS QUE OCURRA
EL EVENTO (VARIABLE DEPENDIENTE).
 CUANTO MÁS SE ALEJA DE 1, MÁS FUERTE ES LA RELACIÓN
ENTRE LAS DOS VARIABLES.
TEMA Nº 6:
MODELO TOBIT
 CONCEPTO

 LOS Β DEL MODELO TOBIT MIDEN LOS EFECTOS MARGINALES DE

LAS VARIABLES EXPLICATIVAS SOBRE LA VARIABLE LATENTE Y*.
EN OCASIONES, ESTA VARIABLE TIENE UNA INTERPRETACIÓN
ECONÓMICA INTERESANTE, PERO EN LA MAYORÍA DE LOS CASOS
NO ES ASÍ. LA VARIABLE QUE QUEREMOS EXPLICAR ES Y, QUE ES
LA QUE SE PUEDE OBSERVAR.
 ¿QUÉ INFORMACIÓN PODEMOS OBTENER DEL MODELO
ESTIMADO?
 CALCULAR EL EFECTO MARGINAL DE LAS VARIABLES
EXPLICATIVAS SOBRE E ( Y | X)
 LOS EFECTOS MARGINALES DE LAS VARIABLES EXPLICATIVAS
SOBRE ( Y | X, Y>0)
 LA MUESTRA

 DISPONER DE UNA MUESTRA  EL PROBLEMA CON LAS

EXTRAÍDA DE FORMA MUESTRAS SURGE CUANDO SE

ALEATORIA Y REPRESENTATIVA REFIEREN A GRUPO DE LA

POBLACIÓN QUE NO REPRESENTA
DE LA POBLACIÓN QUE SE
A LA POBLACIÓN QUE ES OBJETO
PRETENDE ESTUDIAR
DE ESTUDIO.
 QUE LOS ESTADÍSTICOS
 EN ESE CASO, LOS ESTADÍSTICOS
REPRESENTEN A LOS
CONVERGERÁN A LAS
PARÁMETROS POBLACIONALES
CARACTERÍSTICAS DE ESA
QUE ESTIMAN. SUBPOBLACIÓN, NO A LAS DE LA
POBLACIÓN QUE SE QUIERE
ANALIZAR.
MUESTRA TRUNCADA

 UNA MUESTRA ESTÁ TRUNCADA SI LOS DATOS SÓLO

ESTÁN DISPONIBLES PARA UN SUBCONJUNTO DE LA
POBLACIÓN TOTAL.
 LOS VALORES DE LAS VARIABLES EXPLICATIVAS “X”
SÓLO SE OBSERVAN CUANDO SE OBSERVA “Y”.
 EJEMPLO:
EL GASTO EN PUBLICIDAD DE UNA MUESTRA DE
EMPRESAS DESPUÉS DE UNA CAMPAÑA MENSUAL.
EN ESTE CASO, SÓLO OBSERVAMOS A LAS
EMPRESAS CON GASTO MAYOR QUE CERO.
MUESTRA CENSURADA
 UNA MUESTRA ESTÁ CENSURADA SI LOS DATOS SE RECODIFICAN
PARA UN SUBCONJUNTO DE LA POBLACIÓN. EN UNA MUESTRA
CENSURADA, OBSERVO LAS “X” DE TODA LA POBLACIÓN, PERO EL
VALOR DE LA “Y” SE DESCONOCE PARA UN SUBCONJUNTO DE LA
POBLACIÓN.
 EJEMPLO:
OFERTA DE TRABAJO: SI LAS PERSONAS TRABAJAN, SABEMOS EL
NÚMERO DE HORAS QUE OFRECEN, PERO A LOS QUE NO TRABAJAN
LES ASIGNAMOS CERO HORAS…. SIN EMBARGO, PODRÍA SER QUE SU
OFERTA DE TRABAJO FUESE DE 3 HORAS POR SEMANA, PERO NO
ENCUENTRA NINGÚN EMPLEO CON ESAS CARACTERÍSTICAS.