FACULTAD DE INGENIERÍAS

PROGRAMAS DE INGENIERÍA FINANCIERA E INDUSTRIAL

MODELOS DE VARIABLE DEPENDIENTE DICÓTOMA
(Variable Dummy, Ficticia)
Profesor: Horacio Fernández C.

Generalmente una variable económica puede tomar un valor de la recta real, pero en los modelos econométricos se presentan
situaciones de interés práctico en los que al menos una de las variables explicativas o explicadas puede tomar valores enteros
en un conjunto finito. Este tipo de variables aparecen cuando, por ejemplo, se usa un modelo econométrico para explicar la
decisión de otorgar un crédito a una persona con base en su perfil de riego.
Los modelos de elección binaria, o modelos con variables dicótomas, surgen cuando se requiere elegir una opción entre dos
alternativas. En el caso que estudiaremos, en este documento, la variable dependiente puede tomar solo dos valores, Yi = 0
o Yi = 1 . Por ejemplo en el caso de otorgar o no un crédito para vivienda se puede definir que Yi = 1 si el crédito se otorga
y Yi = 0 si el crédito no se otorga.

MODELO LOGIT
La regresión o modelo LOGIT se basa en la denominada función logística y se utiliza cuando se va a calcular la probabilidad
de escoger la opción Yi = 1 , y se especifica como la probabilidad de elegir la opción Yi = 1 (tener éxito), frente a la opción
Yi = 0 (tener fracaso).

En particular, en el modelo de regresión lineal simple, se expresa como:

1
Pi = P(Yi = 1| X = X i ) = − ( ˆ0 + ˆ1 X i )
1+ e
1 e Zi
Haciendo Z i = ˆ0 + ˆ1 X i se obtiene que Pi = =
1 + e − Zi 1 + e Zi
De manera que

e Zi
Pi = con −  Zi  
1 + e Zi

Si Zi → −, Pi = 0

Si Zi → , Pi = 1

La grafica tiene la forma de una distribución acumulada de manera

e Zi
que F ( Z i ) =
1 + e Zi
La función de densidad es entonces:

dF (1 + e zi )e zi − e zi e zi e zi
f ( zi ) = = =
dzi (1 + e zi )2 (1 + e zi )2

e zi
La función de densidad f ( zi ) = se puede expresar como
(1 + e zi )2

1 e zi 1 + e zi − e zi e zi  e zi  e zi
f ( zi ) =  =  =  1 − 
1 + e zi 1 + e zi 1 + e zi 1 + e zi  1 + e zi  1 + e zi

f ( zi ) = (1 − Pi ) Pi

Esta última, es la función de densidad que se usa para estimar los parámetros por el método de máxima verosimilitud.

Por lo que la función de verosimilitud de Yi , en el modelo Logit, para una muestra aleatoria con n observaciones
independientes Y1 , Y2, . . . Yn está dada por
n n
L(  ) =  f ( zi ) = (1 − P)1− yi P yi
i =1 i =1

1− yi yi 1− yi yi
n
 eX    eX   n
 1   eX  
=  1 −   X 
=   X   X 
i =1  1+ eX    1+ e  i =1  1 + e   1+ e 
n


n

 
n− yi
 eX 
yi
 1 i =1
=
i =1

X   X 
 1+ e   1+ e 
Tomando logaritmo natural queda

 n
  1  n  eX  
Ln  L(  ) =  n −  yi  Ln  X   i
+ y Ln  X 
 i =1  1+ e  i =1 1+ e 

Luego de derivar con respecto a  e igualar a cero, se obtiene la expresión que permite estimar el vector de
parámetros.

e zi P  P 
Ahora, como Pi = entonces e zi = i y al tomar logaritmo natural a ambos lados queda Ln  i  = Zi , o más
1+ e zi
1 − Pi  1 − Pi 
bien

 P 
Ln  i  = ˆ0 + ˆ1 X i
 1 − Pi 

Pi
Donde es una razón de probabilidades
1 − Pi

La interpretación de ̂1 , en este modelo es: Cuando se presenta un incremento de una unidad en X i , se espera que la razón
Pi
de probabilidades cambie en ˆ1  100%
1 − Pi
Los resultados anteriores se pueden generalizar para un modelo de múltiples variables regresoras dado por

Yi = ˆ0 + ˆ1 X1i + + ˆk X ki = X ˆ

como
ˆ
1 e Xi 
Pi = P(Yi = 1| X = X i ) = ˆ
= ˆ , es decir, de manera general
1 + e− X i  1 + e Xi 
ˆ
eX 
Pi = ˆ
1 + eX 

X ˆ Pi ˆ
Despejando e se obtiene = e X  y al tomar logaritmo natural a ambos lados se obtiene
1 − Pi

 P 
Ln  i  = ˆ0 + ˆ1 X 1i + + ˆk X ki
 1 − Pi 

o de igual manera

1
Pi = − ( ˆ0 + ˆ1 X1i + + ˆk X ki )
1+ e

Pi
Así, como en el modelo de regresión lineal simple, es una razón de probabilidades y la interpretación de ˆ j , en este
1 − Pi
modelo es: Cuando se presenta un incremento unitario en X j , manteniendo las demás variables constantes, se espera que
Pi
la razón de probabilidades cambie en ˆ j  100% .
1 − Pi

Es claro entonces que dado que la variable dependiente Y sólo adopta dos valores, no se puede interpretar ˆ j como el
cambio esperado en Y cuando X j tiene un incremento unitario, manteniendo los otros factores constantes.

“Los coeficientes no tienen interpretación directa, y es por eso por lo que se cuantifican los efectos marginales de las
variables regresoras sobre la probabilidad de tener éxito”.
ˆ
e Xi 
Volvamos a la expresión Pi = ˆ , el impacto marginal en la probabilidad de que la variable Yi tome el valor de 1,
1 + e Xi 
cuando se presenta un cambio unitario en X j y manteniendo las demás variables constantes es:
 X i ˆ
)e X i  ˆ j − e X i  e X i  ˆ j ˆ j e X 
ˆ ˆ ˆ ˆ
Pi (1 + e i

= = = Pi (1 − Pi ) ˆ j , es decir
X j (1 + e X i ˆ 2
) (1 + e X i ˆ 2
)

Pi
= Pi (1 − Pi ) ˆ j
X j

Nota: Si la variable explicativa X j solo toma los valores de cero o uno, entonces el efecto de variación se puede calcular

( ) (
como la diferencia entre P Yi = 1 X j = 1 y P Yi = 1 X j = 0 . )
Además, la elasticidad en P por cambio unitario en X j es:

P X j Xj
= = Pi (1 − Pi ) ˆ j = (1 − Pi ) ˆ j X j % , es decir
X j P Pi

 = (1 − Pi ) ˆ j X j %

Ejemplos:
1. En un estudio efectuado por una agencia de viajes acerca del comportamiento de los clientes potenciales, en las próximas
vacaciones, se hizo una encuesta a 32 familias en la que se les preguntó si tenían en sus planes ir de viaje, ( se asigna viaje
= 1 si piensa ir de viaje, y viaje = 0 si no planean ir de viaje), los ingresos mensuales , en millones de pesos, y si tiene hijos
(se asigna hijos = 1 si tiene hijos, e hijos = 0 si no tienen hijos).

 P 
Se estimó, por máxima verosimilitud, el modelo logit y se encontró que Ln  i  = −9,5 + 1, 25Renta − 2,35hijos
 1 − Pi 
Renta = 7,84 e hijos = 0,56

a) Calcule la probabilidad de que una familia vaya de viaje dado que sus ingresos mensuales son 9 millones y tiene hijos.

1
P (Viaje = 1| R e nta = 9, hijos = 1) = − ( −9,5 +1,259 − 2 ,351)
= 0,3543
1+ e

b) Calcule la probabilidad de que una familia vaya de viaje dado que sus ingresos mensuales son 9 millones y no tiene
hijos.

1
P (Viaje = 1| R e nta = 9, hijos = 0) = − ( −9,5 +1,259 − 2,350)
= 0,852
1+ e
c) Calcular e interpretar el efecto marginal de la variable renta en el punto medio.

Se calcula primero la Probabilidad Pi , usando la expresión:

1
Pi = − ( −9,5 +1,257,84 − 2,350,56 )
= 0, 266
1+ e

Por lo tanto
P
= Pi (1 − Pi ) ˆ j = 0,266(1 − 0,266) 1,25 = 0,245
 Renta

Interpretación: Cuando se presenta un incremento de un millón de pesos, en los ingresos mensuales de las familias,
manteniendo fijas las otras variables, se espera que la probabilidad de que la familia vaya de viaje se incremente en
0,245.

d) Calcular e interpretar la elasticidad, en la probabilidad de que la familia vaya de viaje y debido a un incremento unitario
en la renta.

Se debe aclarar que para calcular la elasticidad, la probabilidad siempre se debe hallar en los puntos medios. Por lo tanto

 = (1 − Pi ) ˆ j X j % = (1 − 0, 266)  1, 25  7,84 = 7,1932 %

Interpretación: Cuando se presenta un incremento del 1%, en los ingresos mensuales de las familias, manteniendo fijas
las otras variables, se espera que la probabilidad de que la familia vaya de viaje se incremente en 7,1932%

2. Un Banco pretende caracterizar las empresas que cumplen puntualmente todos los plazos de devolución de los créditos

que reciben. Tras crear una variable Yi , que toma valor 1 cuando las empresas cumplieron dichos compromisos y cero en
caso contrario, se estimó el siguiente modelo:

 P 
Ln  i  = −1.76 − 0.36 X1i + 0.59 X 2i − 0.93 X 3i
 1 − Pi 

donde X1i es la razón (en porcentaje) entre el valor nominal de la deuda viva de la empresa y el valor total del activo;

X 2i es la razón (en porcentaje) entre los beneficios después de impuestos y el valor total del activo; y X 3i es el valor del

activo (como indicador del tamaño de la empresa). Suponga que el individuo i-ésimo posee los siguientes valores medios
de las variables: X1i = 9.7%, X 2i = 7.8%, X 3i = 0.6 .

a) Interpretar el coeficiente de X 3i .
b) Calcule la probabilidad de que se incumplan los compromisos para el individuo i-ésimo.

c) Obtenga e interprete el efecto marginal por incremento unitario en X 2i .

d) Obtenga e interprete la elasticidad en la probabilidad de que las empresas cumplan dichos compromisos, debido a un

incremento unitario en X1i

3. Una muestra de 2000 individuos se dispone para las siguientes variables: RNi es la renta anual en miles de dólares; TCi
es el número de tarjetas de crédito (es una variable dicotómica que toma valor 1 si el individuo las posee y 0 si no las tiene)
y EDi es la edad del cabeza de familia. Se estima el siguiente modelo Logit:

 P 
Ln  i  = 0.07 + 0.023RNi +0.005EDi + 0.13TCi
 1 − Pi 
Se pide:

a) Interpretar el coeficiente de TCi .

b) Si el individuo i-ésimo tiene 54 años, posee 10.000 dólares de renta anual y tiene tarjeta de crédito ¿cuál es la probabilidad
de que si solicita un crédito éste no resulte fallido?

c) Obtenga e interprete la elasticidad en la probabilidad por incremento unitario en EDi