Modelos de regresin

Logit y Probit
ALUMNA: SOFA LOZANO SNCHEZ

Modelos de eleccin discreta

La utilidad de los modelos de
eleccin discreta frente a la
econometra tradicional radica en
que permiten la modelizacin de
variables cualitativas.
Segn el nmero de alternativas
incluidas en la variable endgena, se
distinguen los modelos de respuesta
dicotmica frente a los denominados
modelos de respuesta mltiple.
Segn la funcin utilizada para la
estimacin de la probabilidad, existe
el modelo de probabilidad lineal
truncado, el modelo Logit y el
modelo Probit

Resultado Binario
Ejemplos:

- S / No
- xito / Fallo
- Infarto / No infarto
Dentro / Fuera de la fuerza laboral

Cmo modelar un Resultado binario

Donde
Enfoque de la variable latente
Podemos pensar que y* es la propensin subyacente
latente de que y=1
Ejemplo 1:Para la variable binaria, infarto / no
infarto, y* es la propensin de que ocurra un
infarto.
Ejemplo 2: Pata la variable binaria, dentro / fuera
de la fuerza de trabajo es la propensin a estar
dentro de la fuerza de trabajo

Logit versus Probit

La diferencia ntrelos modelos Probit y Logit se encuentra en los
supuestos sobre la distribucin de los errores.
Logit:

Probit:

Funcin de densidad de probabilidad (PDF) y

funcin de distribucin acumulada (CDF)

Cul escoger?
Los resultados tienden a ser muy similares
La preferencia de uno sobre el otro tiende a variar en las
diferentes disciplinas.

Ejemplo simple en Stata

Data: NLSY 97
Muestra: Perceptores de un ttulo de grado o licenciatura
Variable dependiente: Entrada a un puesto de STEM
Variable independiente: Educacin de los padres (variable
categrica del ms alto grado: grado de dos aos o menos versus el
ttulo de grado)

Resultado del Stata: Logit

Interpretacin
Regresin Logstica
Interpretacin: Entre los perceptores de un ttulo de grado, tener un padre cuyo grado
ms alto es un ttulo de grado versus un grado de dos aos o menos incrementa los log
odds (El logaritmo de las probabilidades) de entrar a un trabajo de STEM en 0.477.
Sin embargo, podemos transformar esto fcilmente en ratios de probabilidad,
exponenciando loss coeficientes: exp(0.477)=1.61
Interpretacin: las personas con un ttulo de grado, que tienen un padre cuyo grado
mximo es un ttulo, tienen 1.61 veces ms probabilidades de entrar a un puesto de STEM
que aquellos cuyos padres tienen un grado de 2 aos o menos.

Resultado de Stata: Probit

Interpretacin

Regresin Probit
Interpretacin: Entre las personas con un ttulo, tener un padre cuyo grado
ms alto es un ttulo versus un grado de dos aos o menos, incrementa el
valor de z en 0.263.

Comparacin de coeficientes

Comparacin entre modelos

Puede ser engaoso comparar coeficientes entre modelos porque
la varianza del modelo latente subyacente (y*) no est identificada
y puedo diferir entre modelos.

Algunas posibles soluciones a este problema:

Probabilidades pronosticados:
- Nos da valores pronosticados con valores sustantivamente significativos de Xk.

y* - coeficientes estandarizados
- Bk^sy* nos da el incremente de la desviacin estndar en y* dado el incremento
en una unidad de Xk, manteniendo el resto de variables constantes.

Coeficientes enteramente estandarizados

- Bk^s nos da el incremento de la desviacin estndar en y*, dado un incremento
de la desviacin estndar de Xk, manteniendo el resto de variables constantes.

Efectos marginales
- La pendiente de la curva de probabilidad que relaciona X a Pr(y=1|x),
manteniendo el resto de variables constantes.