UNIVERSIDAD NACIONAL FEDERICO

VILLAREAL
"Año de la lucha contra la corrupción e impunidad”

MODELO LOGIT
• CURSO:
ECONOMETRIA II
• DOCENTE:
SAMANAMUD LOYOLA. OSCAR FRANCISCO
FACULTAD:
CIENCIAS ECONOMICAS
• INTEGRANTES:
GAMONAL MONSALVE. FRANK DENNIS
HUANCA LIPE. ANGELA BETZABEL
VELASQUEZ REYNA. MAYERLYN
LIMA – PERÚ
2019
 MODELO LOGIT
Recordar que en la explicación de la propiedad de vivienda en relación con el ingreso , el MLP fue : 𝑃𝑖 =
𝛽1 + 𝛽2 𝑋𝑖 , ahora podemos representar la propiedad de vivienda de la siguiente manera:
1
𝑃𝑖 =
1+𝑒 −(𝛽1 +𝛽2 𝑋𝑖 )

1 𝑒𝑍
𝑃𝑖 = = 𝑃𝑖 = ( Función de distribución Logística)
1+𝑒 −𝑍 1+𝑒 𝑍

Donde: Z = 𝛽1 + 𝛽2 𝑋𝑖

Si 𝑃𝑖 es la probabilidad de tener casa propia, entonces (1 − 𝑃𝑖 ) será la probabilidad de no tener casa

propia.

𝑒𝑍 1
1 − 𝑃𝑖 = 1 − 𝑍
=
1+𝑒 1 + 𝑒𝑍
Por consiguiente podemos escribir
𝑒𝑍
𝑃𝑖 1 + 𝑒 𝑍
= = 𝑒𝑍
1 − 𝑃𝑖 1
1 + 𝑒𝑍

Ahora 𝑃𝑖 Τ1 − 𝑃𝑖 es sencillamente la Razón de las probabilidades: la razón de la probabilidad de que una

familia posea una casa propia respecto de la probabilidad que no la posea.

Paso siguiente tomamos el logaritmo natural

𝑃𝑖
𝐿𝑖 = ln = 𝑍𝑖 = 𝛽1 + 𝛽2 𝑋𝑖
1 − 𝑃𝑖

Tenemos que L, el logaritmo de la razón de probabilidades no es sólo lineal en X, sino también lineal en los
parámetros. L se le llama LOGIT.
CARACTERISTICAS
1. A medida que P va de 0 a 1, el logit no esta acotado de esta forma y también la Z, esto quiere decir que puede ser mayor a
uno o menor a cero.

2. Aunque L es lineal en X, las posibilidades en sí mismos no lo son. Esta propiedad contrasta con el MLP, donde las
probabilidades aumentan linealmente con X.

3. Si L > 0 , significa que cuando se incrementa el valor de las regresoras aumentan las probabilidades de que la regresada sea
igual a 1. Si L < 0, las posibilidades de que la regresada iguale a 1 disminuyen conforme se incrementa el valor de X.

4. La interpretación del modelo dado:

𝑳𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊

 𝜷𝟐 : La pendiente , mide el cambio en L ocasionado por un cambio unitario en X, es decir

dice como cambia el logaritmo de las posibilidades en favor de tener una casa propia a
medida que el ingreso cambia en una unidad.

 𝜷𝟏 : Es el valor del logaritmo de las posibilidades en favor de tener una casa propia si el
ingreso es cero.
 ESTIMACION DEL MODELO LOGIT

𝑃𝑖
𝐿𝑖 = ln = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
1 − 𝑃𝑖
Se necesita los valores de 𝑋𝑖 , como también de la regresada, o del Logit. 𝐿𝑖 estará en función del tipo de datos que se
analicen.

a) DATOS AGRUPADOS O DUPLICADOS

A continuación se mostraran los pasos para la estimación:
1. Para cada nivel de ingreso X, calcule la probabilidad estimada de tener una casa propia como:
𝒏𝒊
෢𝒊 =
𝑷
𝑵𝒊
2. Para cada 𝑋𝑖 , obtener el logit

෢𝒊
𝑷
𝑳෠ 𝒊 = 𝐥𝐧
𝟏−𝑷෢𝒊
3. Para resolver el problema de heteroscedasticidad ,

𝑾𝒊 𝑳𝒊 = 𝜷𝟏 𝑾𝒊 + 𝜷𝟐 𝑾𝒊 𝑿𝒊 + 𝑾𝒊 𝒖𝒊 … … . . (𝝀)
donde:
෢𝒊 (𝟏 − 𝑷
𝑾𝒊 = 𝑵𝒊 𝑷 ෢𝒊 )
4. Es fácil verificar que el termino de error transformado 𝑣𝑖 es homoscedastico
𝑳∗𝒊 = 𝜷𝟏 𝑾𝒊 + 𝜷𝟐 𝑿∗𝒊 + 𝒗𝒊

5. Estimar (𝜆) mediante MCO, recordar que MCP es MCO aplicado sobre los datos transformados. Tener en
cuenta que no hay término de intercepto introducido.

6. Si se desea llevar a cabo el análisis del logit no ponderado , solo se necesita dividir 𝐿෡∗𝑖 entre 𝑊𝑖

7. Para realizar el calculo de la probabilidad de que una familia con cierto nivel de ingreso posea una casa
propia debemos

𝒆𝑳𝑬𝑺𝑻𝑵𝑶𝑷𝑶𝑵𝑫
෢𝒊 =
𝑷𝑹𝑶𝑩𝑮𝑳𝑶𝑮𝑰𝑻 = 𝑷
𝟏 + 𝒆𝑳𝑬𝑺𝑻𝑵𝑶𝑷𝑶𝑵𝑫

8. El calculo de la tasa de cambio de la probabilidad conforme varia el ingreso es,

෢𝒊 (𝟏 − 𝑷
𝑪𝑨𝑴𝑩𝑷𝑹𝑶𝑩 = 𝜷𝟐 𝑷 ෢𝒊 )
CASO PRACTICO
• La siguiente tabla representa un
grupo de 30 estudiantes de la
escuela de Educación
Secundaria del Colegio General
Prado (PROMOCIÓN 2018) , la
investigación tuvo como
objetivo determinar la
influencia de las TIC en el
rendimiento académico de los
alumnos.
NUESTRA
DATA:
 Se observa que las probabilidades individuales de los
parámetros son no significativas , entonces los
parámetros no son importantes en términos
estadísticos, excluyendo la constante poblacional.

𝑷𝑹𝑶𝑩 𝑳𝑹 𝑺𝑻𝑨𝑻 < 𝟎. 𝟎𝟓

0.001283 < 0.05

Es altamente significativa con un nivel de confianza
del 0.95, es decir que todas las regresoras en su
conjunto tienen un impacto importante en las notas
aprobatorias obtenidas a fin de año

En esta ecuación, cada coeficiente de pendiente es un coeficiente de PENDIENTE PARCIAL y mide

el cambio en el logit estimado correspondiente a una unidad de cambio del valor de la regresada
dad(con las demás regresoras constantes)
INTERPRETACIONES
El coeficiente de
NOTAS_BIMESTRES igual a
0.425339 significa que, mientras
las demás variables se mantengan
constantes, si las notas del primer
bimestre se incrementa en una
unidad , en promedio el Logit
estimado aumenta en casi 0.425
unidades, lo cual indica una
relación positiva entre ambos.

«Una interpretación más significativa se da en términos de

posibilidades en favor , las cuales se obtienen al tomar el
antilogaritmo de los diversos coeficientes de pendiente».
 coeficiente e^(coeficiente)
C -20.31733 1.50E-09
NOTAS_BIMESTRES 0.425339 1.530109039
PROMEDIO_PRAC_INICIAL 1.189677 3.286019652
USO_INTERNET 1.406302 4.080836533
- PPINICIAL:
Los estudiantes de 5º de secundaria del colegio de Aplicación del General Prado que obtienen una buena
calificación en el PPINICIAL, son una 1 vez mas propensos a ser a obtener una nota aprobatoria (A) que
aquellos que posean una mala calificación en PPINICIAL.

- NOTAS_IBIMESt:

Los estudiantes de 5º de secundaria del colegio de Aplicación del General Prado que obtienen una buenas
notas en el I BIMESTRE , no son propensos a obtener una nota aprobatoria (A) igual que aquellos que posean
malas notas en el I BIMESTRE.

- USO_INTERNET:

Los estudiantes de 5º de secundaria del colegio de Aplicación del General Prado que utilizan el internet en sus
asignaturas , son 1 vez propensos a obtener una nota aprobatoria (A) que aquellos que aquellos estudiantes
que no utilizan el internet en sus asignaturas. Considerando que las otras variables permanecen constantes.
PODEMOS
VISUALIZAR QUE
EL NUMERO DE
OBSERVACIONES
ES DE: