INTRODUCCIÓN

El modelo Logit y el modelo Probit son técnicas valiosas y ampliamente empleadas en la

modelización de variables binarias.

Cuando nos referimos a varibles binarias, es que, en muchos estudios e investigaciones,

nos encontramos con variables que solo pueden tomar dos valores posibles, como "sí" o

"no", "éxito" o "fracaso", "aprobado" o "reprobado", entre otros. Estas variables se

denominan variables binarias, dicotómicas o dummy.

Estas herramientas estadísticas proporcionan una base sólida para analizar y predecir la

probabilidad de ocurrencia de un evento en función de variables explicativas, permitiendo

así una comprensión más profunda de los fenómenos subyacentes (secundarios) y

respaldando la toma de decisiones fundamentadas en diversos campos, como la

estadística y la econometría.

MODELO PROBIT

El modelo Probit, desarrollado en 1934 por Chester Ittner Bliss, es una técnica de

regresión empleada para la modelización y predicción de variables binarias o

dicotómicas. Al igual que el modelo Logit, el modelo Probit se utiliza para estimar la

probabilidad de que ocurra un evento o resultado, basándose en un conjunto de variables

explicativas. El modelo Probit emplea una función de enlace conocida como función

probit, la cual relaciona las variables explicativas con la probabilidad de que se produzca

el evento. Dicha función probit se basa en la distribución acumulada de la distribución

normal estándar, transformando las variables explicativas en una escala continua.

FORMULA MATEMATICA

Leer diapositiva
MODELO LOGIT

En 1944, Joseph Berkson propuso el modelo Logit, una técnica de regresión para predecir

variables binarias. Su objetivo es estimar la probabilidad de un evento específico

utilizando un conjunto de variables explicativas. Este modelo utiliza una función de

enlace llamada logit, que relaciona las variables explicativas con la probabilidad de

ocurrencia del evento. El logit transforma la probabilidad en una escala logarítmica,

permitiendo un análisis lineal de las variables explicativas en términos del logaritmo de

la probabilidad.

Aquí tenemos la gráfica del modelo Logit. Como podemos ver, el rango de valores se

encuentra entre 0 y 1. En este ejemplo en particular, se utiliza la base e para la función

logarítmica.

FORMULA MATEMATICA

Leer diapositiva

COMPARACIÓN ENTRE LOS MODELOS LOGIT Y PROBIT

En esta diapositiva, vamos a destacar las diferencias entre el modelo Logit y el modelo

Probit, así como las ventajas y desventajas de cada uno.

Una de las principales diferencias entre el modelo Logit y el modelo Probit radica en la

función de enlace utilizada. En el modelo Logit, se utiliza la función logística como

enlace, mientras que en el modelo Probit se utiliza la función de distribución acumulada

normal estándar. Esto significa que la relación entre las variables independientes y la

variable dependiente se establece de manera diferente en cada modelo.

Otra diferencia importante se encuentra en la distribución del término de error aleatorio.

En el modelo Logit, se asume una distribución logística para este término de error,
mientras que en el modelo Probit se asume una distribución lineal con distribución

normal. Estas diferencias en las distribuciones del error pueden afectar los resultados y

las interpretaciones obtenidas de cada modelo.

En cuanto a la forma de la curva, tanto el modelo Logit como el modelo Probit presentan

una curva en forma de "S". Sin embargo, debido a las diferencias en las funciones de

enlace y en las distribuciones del error, la forma exacta de estas curvas puede variar

ligeramente entre ambos modelos.

La estimación de los coeficientes en ambos modelos se realiza mediante el método de

Máxima Verosimilitud. Este método busca encontrar los valores de los coeficientes que

maximizan la probabilidad de observar los datos que se tienen.

La interpretación de los coeficientes también difiere entre ambos modelos. En el modelo

Logit, los coeficientes se interpretan como el cambio en el logaritmo de las probabilidades

(también conocido como log-odds) de que la variable dependiente tome el valor de

interés, por cada unidad de cambio en la variable independiente correspondiente. En

cambio, en el modelo Probit, los coeficientes se interpretan como el cambio en el valor z,

que representa la distancia de la media de la distribución normal estándar al valor

observado de la variable dependiente.

CRITICAS A LOS MODELOS LOGIT Y PROBIT

Supuestos restrictivos: Los modelos asumen distribuciones de error específicas, lo cual

puede resultar poco realista en algunos casos.

Independencia de observaciones: Ambos modelos asumen la independencia de las

observaciones, pero en la realidad, las observaciones pueden estar correlacionadas.

Dificultad de interpretación de coeficientes: Los coeficientes estimados en los modelos

Logit y Probit no tienen una interpretación directa y pueden ser difíciles de entender.

Limitación en la predicción fuera del rango observado: Las predicciones de

probabilidades fuera del rango observado pueden ser poco confiables y problemáticas

debido a la naturaleza paramétrica de los modelos.

EJEMPLO PRÁCTICO

En esta sección, presentaremos un ejemplo práctico para ilustrar el uso de los modelos

Logit y Probit en la modelización de variables binarias.

En este estudio, se realizó un análisis considerando variables como la edad, el estado civil,

la escolaridad y la participación de las mujeres en el mercado laboral. Para llevar a cabo

este análisis, se contó con un total de 30 observaciones. Utilizando el software Stata

versión 14.

Como primer paso se cargó la base de datos de Excel en Stata, para posteriormente crear

etiquetas para las variables.

Una vez definido el nombre de las variables tenemos en cuenta lo siguiente:

 “y” (variable dicotómica) es nuestra variable dependiente.

 “casada” (variable dicotómica), edad (variable continua) y escolaridad (variable

continua) son nuestras variables independientes.

 EJEMPLO PRÁCTICO – MODELO LOGIT

Se utilizó el método de Estimación de Máxima Verosimilitud para obtener los

coeficientes estimados del modelo Logit.

GRÁFICO

Mediante este gráfico se puede mencionar lo siguiente:

 El modelo tiene un “Pseudo R2” de 0.3916.

 Un “Wald chi2” que representa la probabilidad del modelo en su conjunto con

un valor de 7.73; además se puede evidencia la significancia global del modelo

dado por “Prob>chi2” que es de 0.0519.

 La significancia individual de los parámetros indica que la variable “edad y

𝒃𝟎” no son significativas para el modelo, mientras que la variable

“escolaridad y casada” son significativas para el modelo.

ODDS RATIOS– MODELO LOGIT

Se calcularon los Odds Ratios para cada variable explicativa. Los Odds Ratios

proporcionan una medida del cambio en las probabilidades de ocurrencia del evento para

un cambio unitario en la variable explicativa. Estos resultados se interpretaron para

comprender el impacto relativo de cada variable en la probabilidad de ocurrencia del

evento.

INTERPRETACIÓN

Existe una probabilidad de -93,54% de que una mujer esté en el mercado laboral con

respecto a que no esté en el mercado laboral si se encuentra casada.

 INTERPRETACIÓN

Existe una probabilidad de -6,24% de que una mujer esté en el mercado laboral que con

respecto a que no esté si tiene más grado de escolaridad.

INTERPRETACIÓN

Existe una probabilidad del 100,15% de que una mujer esté en el mercado laboral que

con respecto a que no esté si tiene más grado de escolaridad.

EFECTOS MARGINALES DE LAS VARIABLES

Luego de haber interpretado los ODDS RATIOS se procedió a revisar los efectos

marginales de las variables.

GRÁFICO

Para poder revisar los efectos marginales se toma en cuenta el conjunto del modelo, es

decir, todas las variables o características (ver gráfico), la interpretación del efecto

marginal para cada variable es el siguiente:

 Se tiene que la probabilidad de que una mujer se encuentre en el mercado laboral

sea de 0.71179464.

 De manera individual se tiene que si la mujer se encuentra casada su probabilidad

de que se encuentre en el mercado laboral será de -49.14% en promedio,

manteniendo los demás factores constante.

 Si aumenta su escolaridad en una unidad la probabilidad de que se encuentre en

el mercado laboral será de 14.23% en promedio, manteniendo los demás factores

constantes, además sabiendo que estas dos variables son significativas

(escolaridad y casada).
  La variable “edad” no es significativa para el modelo, además esta variable con

“casada” tienen una relación negativa con la participación de las mujeres en el

mercado laboral, mientras que “escolaridad” tiene una relación positiva

EJEMPLO PRÁCTICO – MODELO PROBIT

Con el modelo PROBIT aplicamos el mismo desarrollo que con el modelo LOGIT, con

la diferencia que no se obtienen los ODDS RATIOS, obteniendo así por el método de

estimación por máxima verosimilitud los siguientes resultados.

GRÁFICO

Los datos obtenidos fueron los siguientes:

 El modelo cuenta con un “Pseudo R2” de 0.3900.

 Un “Wald chi2” de 10.54 que representa la probabilidad del modelo en su

conjunto.

 La significancia global del modelo dado por “Prob>chi2” es de 0.0145, lo que nos

indica que es adecuada ya que es cercano a cero.

 La significancia individual de los parámetros indica que; la variable “edad y 𝒃𝟎”

no son significativas para el modelo. Mientras que la variable “casada y

escolaridad” son significativas para el modelo, teniendo el nivel de significancia

menor al p-valor de referencia (0.05).

 La variable “casada, edad y 𝒃𝟎” tienen un efecto negativo hacía la participación

de las mujeres en el mercado laboral, mientras que la escolaridad tiene un efecto

positivo con la participación de las mujeres en el mercado laboral.

EFECTOS MARGINALES DE LAS VARIABLES

Los efectos marginales proporcionan información sobre cómo cambian las probabilidades

de ocurrencia del evento cuando las variables explicativas varían en un pequeño intervalo.

GRÁFICO

Teniendo los siguientes resultados:

 La probabilidad de que una mujer se encuentre en el mercado laboral es de

0.68311362, tomando en cuenta el conjunto del modelo, es decir, tomando todas

las variables o características en cuenta.

 De manera individual tenemos que si la mujer se encuentra casada su probabilidad

de que se encuentre en el mercado laboral será de -47.78% en promedio,

manteniendo los demás valores constantes.

 Si aumenta su escolaridad en una unidad la probabilidad de que se encuentre en

el mercado laboral será del 14.33% en promedio, manteniendo los demás factores

constantes.

 La variable “casada y escolaridad” son significativas para el modelo, mientras que

la variable “edad” no es significativa para el modelo.

COMPARACIÓN DE LOS MODELOS

Leer diapositiva

CONCLUSIONES

El modelo Logit y el modelo Probit son enfoques utilizados en econometría para modelar

variables binarias o categóricas. Son útiles para analizar cómo diferentes factores influyen

en la probabilidad de que ocurra un evento o una elección. Sin embargo, ambos modelos

se enfrentan a críticas y limitaciones.

Es importante destacar que el modelo Logit y el modelo Probit no son los únicos enfoques

disponibles para modelar variables binarias o categóricas. Existen otros modelos, como

el modelo lineal de probabilidad y el modelo de regresión de Poisson, que también pueden

ser utilizados en ciertos contextos.

La información obtenida del trabajo aplicativo del Modelo Logit & Probit se puede

mencionar que existen diferentes variables o situaciones que afectan en ciertas medidas

la presencia de mujeres en el mercado laboral, tanto negativa como positivamente;

teniendo que la escolaridad y el estado civil son significativas para este caso, afectando

de forma positiva y negativa al modelo respectivamente, es decir, mientras más años de

estudio mejores posibilidades de trabajar se tendrá, así mismo el estado civil dependerá

su presencia en el mercado laboral, mientras que la edad no es significativa para este caso,

es decir que no influye tanto la edad para que una mujer participe en el mercado laboral.

Los mejores modelos de estimación para este caso debido a la significancia de las

variables es el PROBIT, pero también se podría agregar más observaciones para una

mejor estimación o agregar variables que puedan brindar un mejor modelo y así sea más

significativo.