MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

1,00

F (Z ) 0,4
p = F (Z )
0,75
Efecto acumulativo

0,3

Efecto Marginal
0,50
0,2

0,25
0,1

0,00 0
-3 -2 -1 0 1 2 Z
Z = β 1 + β 2 X 2 + ... + β k X k
En el caso del modelo Probit, la función F(Z) es la función de distribución de la variable
N(0,1).
1
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

1.00
1
1 −2Z 2 0.4
f (Z ) = e
0.75
2π
Cumulative effect

0.3

Marginal effect
0.50
0.2

0.25
0.1

0.00 0
-3 -2 -1 0 1 2 Z
Z = β 1 + β 2 X 2 + ... + β k X k
Por lo demás, los análisis Logit y Probit son muy similares. En particular, ambos utilizan la
estimación por máxima verosimilitud.
2
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

. probit GRAD ASVABC SM SF MALE

Iteration 0: log likelihood = -118.67769

Iteration 1: log likelihood = -98.195303
Iteration 2: log likelihood = -96.666096
Iteration 3: log likelihood = -96.624979
Iteration 4: log likelihood = -96.624926

Probit estimates Number of obs = 540

LR chi2(4) = 44.11
Prob > chi2 = 0.0000
Log likelihood = -96.624926 Pseudo R2 = 0.1858

------------------------------------------------------------------------------
GRAD | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
ASVABC | .0648442 .0120378 5.39 0.000 .0412505 .0884379
SM | -.0081163 .0440399 -0.18 0.854 -.094433 .0782004
SF | .0056041 .0359557 0.16 0.876 -.0648677 .0760759
MALE | .0630588 .1988279 0.32 0.751 -.3266368 .4527544
_cons | -1.450787 .5470608 -2.65 0.008 -2.523006 -.3785673
------------------------------------------------------------------------------

Aquí tenemos el resultado de la estimación del modelo Probit en el caso del ejemplo de la
graduación en bachillerato.
3
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

. probit GRAD ASVABC SM SF MALE

Iteration 0: log likelihood = -118.67769

Iteration 1: log likelihood = -98.195303
Iteration 2: log likelihood = -96.666096
Iteration 3: log likelihood = -96.624979
Iteration 4: log likelihood = -96.624926

Probit estimates Number of obs = 540

LR chi2(4) = 44.11
Prob > chi2 = 0.0000
Log likelihood = -96.624926 Pseudo R2 = 0.1858

------------------------------------------------------------------------------
GRAD | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
ASVABC | .0648442 .0120378 5.39 0.000 .0412505 .0884379
SM | -.0081163 .0440399 -0.18 0.854 -.094433 .0782004
SF | .0056041 .0359557 0.16 0.876 -.0648677 .0760759
MALE | .0630588 .1988279 0.32 0.751 -.3266368 .4527544
_cons | -1.450787 .5470608 -2.65 0.008 -2.523006 -.3785673
------------------------------------------------------------------------------

Igual que en el modelo Logit, los coeficientes no tienen una interpretación directa. Sin
embargo, los podemos usar para cuantificar los efectos marginales de las variables
explicativas en la probabilidad de graduarse en bachillerato.
4
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

p = F (Z )

Z = β 1 + β 2 X 2 + ... β k X k

1
dp 1 −2Z 2
f (Z ) = = e
dZ 2π

∂p dp ∂Z  1 − 12 Z 2 
= = f ( Z ) β i =  e  β i
∂X i dZ ∂X i  2π 

El efecto marginal Z en p viene dado por la función de densidad de la N(0,1). El efecto

marginal de Xi en Z es βi.

5
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

p = F (Z )

Z = β 1 + β 2 X 2 + ... β k X k

1
dp 1 −2Z 2
f (Z ) = = e
dZ 2π

∂p dp ∂Z  1 − 12 Z 2 
= = f ( Z ) β i =  e  β i
∂X i dZ ∂X i  2π 

Aquí el efecto marginal también depende de Z. El procedimiento usual es utilizar las

medias de las variables explicativas para evaluar dicho efecto.
6
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Efectos marginales

media b producto f(Z) f(Z)b

ASVABC 51.36 0.065 3.328 0.068 0.004

SM 11.58 –0.008 –0.094 0.068 –0.001

SF 11.84 0.006 0.066 0.068 0.000

MALE 0.50 0.063 0.032 0.068 0.004

constante 1.00 –1.451 –1.451

Total 1.881 Z = β 1 + β 2 X 2 + ...β k X k

= 1.881

En este caso Z es igual a 1.881 cuando las variables X son iguales a sus medias.

7
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Efectos marginales

media b producto f(Z) f(Z)b

ASVABC 51.36 0.065 3.328 0.068 0.004

SM 11.58 –0.008 –0.094 0.068 –0.001

SF 11.84 0.006 0.066 0.068 0.000

MALE 0.50 0.063 0.032 0.068 0.004

constante 1.00 –1.451 –1.451

Total 1.881

1 − 12 Z 2
f (Z ) = e = 0.068
2π

8
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Efectos marginales

media b producto f(Z) f(Z)b

ASVABC 51.36 0.065 3.328 0.068 0.004

SM 11.58 –0.008 –0.094 0.068 –0.001

SF 11.84 0.006 0.066 0.068 0.000

MALE 0.50 0.063 0.032 0.068 0.004

constante 1.00 –1.451 –1.451

∂p dp ∂Z
Total 1.881 = = f ( Z )β i
∂X i dZ ∂X i

Los efectos marginales estimados son f(Z) multiplicado por sus respectivos coeficientes.
Vemos que un punto adicional en ASVABC incrementa la probabilidad de graduarse en
bachillerato en un 0.4 por ciento.
9
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Efectos marginales

media b producto f(Z) f(Z)b

ASVABC 51.36 0.065 3.328 0.068 0.004

SM 11.58 –0.008 –0.094 0.068 –0.001

SF 11.84 0.006 0.066 0.068 0.000

MALE 0.50 0.063 0.032 0.068 0.004

constante 1.00 –1.451 –1.451

∂p dp ∂Z
Total 1.881 = = f ( Z )β i
∂X i dZ ∂X i

Ser varón supone un incremento de un 0.4 por cierto en la probabilidad de graduarse.

Finalmente, el efecto marginal de los años de escolarización de los padres tiene un efecto
muy reducido.
10
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Logit Probit Lineal

f(Z)b f(Z)b b

ASVABC 0.004 0.004 0.007

SM –0.001 –0.001 –0.002

SF 0.000 0.000 0.001

MALE 0.004 0.004 –0.007

Comparamos ahora los resultados entre el modelo Logit y el Probit. Como se observa, los
efectos marginales son prácticamente iguales.

11
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Logit Probit Linear

f(Z)b f(Z)b b

ASVABC 0.004 0.004 0.007

SM –0.001 –0.001 –0.002

SF 0.000 0.000 0.001

MALE 0.004 0.004 –0.007

Las conclusiones de los dos modelos pueden diferir cuando los valores de Y están muy
concentrados en uno de los dos posibles resultados. Esto es debido a que las colas de la
distribución Logit y Probit son ligeramente diferentes.

12
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Logit Probit Linear

f(Z)b f(Z)b b

ASVABC 0.004 0.004 0.007

SM –0.001 –0.001 –0.002

SF 0.000 0.000 0.001

MALE 0.004 0.004 –0.007

En nuestro ejemplo existe una alta concentración en el valor Y=1 (94% de Y=1, 6% de Y=0).
Aun así, los estimadores son prácticamente idénticos en ambos modelos. Según
especialistas en este campo, no hay ventajas significativas de un modelo sobre el otro.
13
 MODELOS DE ELECCIÓN BINARIA: EL MODELO PROBIT

Logit Probit Lineal

f(Z)b f(Z)b b

ASVABC 0.004 0.004 0.007

SM –0.001 –0.001 –0.002

SF 0.000 0.000 0.001

MALE 0.004 0.004 –0.007

Si los resultados se dividen aproximadamente al 50 por ciento, los coeficientes del modelo
lineal son similares a los del modelo Logit y Probit. Sin embargo, en este ejemplo el
resultado de Y=1 domina claramente. Por ello, las coeficientes presentan diferencias
notables.
14