Modelo Probit

El modelo probit es una forma de modelar la regresión para las variables de

resultado binarias. Las variables de resultado binarias son variables dependientes
con dos posibilidades, como: sí / no, resultado de prueba; positivo / resultado de
prueba negativo o único / no único.
El modelo probit puede ser expresado de la siguiente manera:
p(Y=1|X)= Φ(XTβ)
Donde p(Y=1|X) denota la probabilidad, Φ es la función de distribución acumulada
de la distribución normal estándar y β son los parámetros del modelo, estimados a
través de máxima verosimilitud.
Ejemplos de cuándo podría usar un modelo probit:
- Quiere saber si un candidato en particular ganará una elección. La variable
de respuesta es 0 = ganar o 1 = perder.
- La variable de respuesta , contratar / no contratar, es una variable binaria.
Desarrollo del modelo
Asumir que Y es una variable binaria. El modelo
𝑌 = 𝛽0 + 𝛽1 + 𝑋1 + 𝛽2 + 𝑋2 + ⋯ + 𝛽𝑘 + 𝑋𝑘 + 𝑢
Con
𝑃(𝑌 = 1|𝑋1 , 𝑋2 , … , 𝑋𝑘 ) = 𝛷(𝛽0 + 𝛽1 + 𝑋1 + 𝛽2 + 𝑋2 + ⋯ + 𝛽𝑘 + 𝑋𝑘 )
es el modelo Probit poblacional con múltiples regresiones 𝑋1 , 𝑋2 , … , 𝑋𝑘 y Φ(.) es la
función de distribución normal estándar acumulada.

Modelo Logit
Es la estimación de los parámetros de un modelo logístico (una forma de regresión
binaria ).
Para el valor etiquetado "1" es una combinación lineal de una o más variables
independientes ("predictores"); cada una de las variables independientes puede
ser una variable binaria (dos clases, codificadas por una variable indicadora) o una
variable continua (cualquier valor real). La probabilidad correspondiente del valor
etiquetado "1" puede variar entre 0 (ciertamente el valor "0") y 1 (ciertamente el
valor "1"), de ahí el etiquetado; la función que convierte log-odds en probabilidad
es la función logística. La unidad de medida para la escala logarítmica de
probabilidades se llama logit.
Se puede utilizar para predecir la probabilidad de que una persona elija estar en la
fuerza laboral. Otro ejemplo sería predecir la probabilidad de que un propietario no
pague una hipoteca
La función de regresión Logit poblacional es:
𝑃(𝑌 = 1|𝑋1 , 𝑋2 , … , 𝑋𝑘 ) = 𝐹 (𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 )

1
= 1+𝑒 −(𝛽0+𝛽1𝑋1 +𝛽2 𝑋2+⋯+𝛽𝑘 𝑋𝑘)

La idea es similar a la regresión Probit, excepto que se usa una función de

distribución acumulada diferente:
1
𝐹 (𝑥 ) =
1 + 𝑚𝑖 −𝑋
es la función de distribución acumulada de una variable aleatoria estándar
distribuida logísticamente.