CÁMARA DE COMERCIO DE GUADALAJARA

MICROECONOMETRÍA Y DECISIÓN

DR. ENRIQUE CUEVAS RODRÍGUEZ

Agosto de 2018
OBJETIVO:
Coadyuvar al proceso de actualización y formación de docentes y
profesionistas en el análisis econométrico de datos provenientes de
encuestas.

CONTENIDO:
 Qué es la Microeconometría.
 Regresión Lineal y Mínimos Cuadrados Ordinarios.
 El Modelo de Probabilidad Lineal.
 Modelos Logit y Probit.
 Modelos con variables dependientes limitadas: Tobit y Heckit.

METODOLOGÍA:
Se proporcionará material en CD. Cada participante contará con su
equipo de cómputo personal y realizará las prácticas pertinente. Se
distribuirán bases de datos proporcionadas por el instructor, así
como una copia del software que se utilizará: STATA 14 (no es
requisito saber usarlo, ya que en las prácticas se incluirán
instrucciones de su manejo).
 ¿QUÉ ES LA MICROECONOMETRÍA?

“La Economía, como ciencia ligada al estudio de la forma en que los

agentes emplean los recursos escasos, está sujeta a los continuos
procesos de decisión entre las diferentes alternativas que se les
presentan, tanto a nivel macro como microeconómico.

“Una de las tareas más importantes en la actitud de los agentes

económicos, es la búsqueda de herramientas que permitan objetivar el
problema de la elección de una forma racional.

“La rama de la econometría que se dedica a estudiar y modelizar los

procesos de decisión, así como a dar solución a los procesos de
elección entre las diferentes alternativas, se denomina
MICROECONOMETRÍA”. (Cabrer, et. al., 2001)
 LOS DATOS Y LAS FUENTES DE INFORMACIÓN EN EL
ANÁLISIS MICROECONOMÉTRICO

“Tradicionalmente la Econometría enfrentaba los problemas de decisión

utilizando modelos agregados, de forma que haciendo uso del modelo
general definía la conducta esperada de los agentes. Sin embargo,
cuando se quieren captar los procesos de decisión individual y las
relaciones causales inherentes al proceso de decisión, es más
interesante estudiar modelos desde un punto de vista desagregado.

“Estos estudios necesitaban un marco de información con datos

individuales, es decir, datos desagregados para cada uno de los
agentes económicos, lo cual supone un gran esfuerzo en el tratamiento
de la información.

“La Microeconometría proporciona una metodología que permite

examinar y modelizar los resultados extraídos de las encuestas de
forma individualizada, permitiendo captar efectos que nunca se podrían
haber captado con datos agregados”. (Ibídem.)
 ¿CÓMO ENFRENTA LA MICROECONOMETRÍA EL
PROBLEMA DE LA DECISIÓN?

“El proceso de elección entre diferentes alternativas está sometido a

ciertas limitaciones, que radican en la asignación de un cierto grado de
objetividad a cada una de las opciones posibles a las que se enfrenta el
individuo económico.

“La Microeconometría da respuesta a este tipo de problemas asignando

una probabilidad de elegir una alternativa entre un conjunto finito,
exhaustivo y mutuamente excluyente de éstas. Dicha probabilidad
depende de las características de cada una de las alternativas, así
como de las condicionantes propios del individuo decisor.

“Así, en estos modelos lo que se explica no es el valor del regresando,

sino la probabilidad de que el agente económico i elija una alternativa,
que dependerá de los factores que condicionan el proceso de decisión,
y de la función de distribución de la probabilidad que se haya supuesto
para el caso de elegir una alternativa frente a sus complementarias”
CLASIFICACIÓN DE LOS MODELOS MICROECONOMÉTRICOS
Los modelos Microeconométricos se clasifican según las características
del regresando, ya que ésta es la que modeliza las distintas alternativas
implícitas en el problema de decisión. Una posible clasificación es:

I – MODELOS DE ELECCIÓN DISCRETA

 Modelos de Respuesta Binaria: i) Modelo de Probabilidad Lineal
(MPL); ii) Modelo Lógit, y iii) Modelo Probit.
 Modelos de Respuesta Múltiple: i) Ordenados; ii) No Ordenados, y iii)
Secuenciales. En los tres casos se utilizan tanto el Lógit como el
Próbit.

II – MODELOS CON VARIABLES DEPENDIENTES LIMITADAS

 Modelo Tobit: i) Truncado; ii) Censurado.
 Modelos de Corrección de Sesgos de Selección: i) Modelo Bietápico
(Heckit); ii) Modelo de Heckman por Máxima Verosimilitud.
III – MODELOS CON DATOS DE DURACIÓN (MODELOS DE
SUPERVIVENCIA)
 Modelo de Poisson
 Modelos de Supervivencia: i) Paramétricos, y ii) No Paramétricos.

IV – MODELOS DE PANEL
 Modelos de Efectos Fijos
 Modelos de Efectos Aleatorios
 Modelos de Efectos Combinados
 EJEMPLOS DE MODELOS DE ELECCIÓN DISCRETA

1. Número de patentes Y = 0, 1, 2, … (datos de recuento)

Pero en la mayoría de los casos que se estudian en Microeconometría, los valores que toma la
variable dependiente no son más que códigos utilizados para representar algún resultado
cualitativo. He aquí algunos ejemplos:

2. Participación en el mercado laboral Y = 1 si participa; = 0 si no participa

Y = 1 “Totalmente en desacuerdo”
= 2 “En desacuerdo”
3. Opinión sobre una nueva legislación
= 3 “Indiferente”
= 4 “A favor”
= 5 “Totalmente a favor”
Y = 1 Sector Agropecuario
= 2 Minería
4. Rama de actividad económica
= 3 Manufactura
= 4, 5, …
Y = 0 “No tiene escolaridad”
5. Nivel de escolaridad = 1 “Primaria”
= 3 “Secundaria”
= 4, 5, …
Y = 0 Bajo: 0 a 5 salarios mínimos
6. Nivel de ingresos = 1 Medio: más de 5 hasta 15 s.m.
= 2 Alto: más 15 s.m.
 ECONOMÍA Y MODELOS DE ELECCIÓN DISCRETA

“La interpretación económica de los modelos de elección discreta parte

de la UTILIDAD, donde se especifica que la racionalidad de los agentes
económicos hace que se comporten de forma que maximicen la utilidad
esperada que les proporciona cada una de las opciones posibles sobre
las que deben decidir.

“El planteamiento teórico de las preferencias de los individuos permite

ordenar las diferentes alternativas en función de su atractivo para el
individuo decisor, y proporciona un marco teórico en el que se
fundamentan los modelos de elección discreta.

“Sobre la base de este planteamiento teórico se establece que la

probabilidad de que un individuo i escoja, p. ej., una de dos alternativas,
depende de que la utilidad que le proporciona dicha decisión, sea
superior a la que le proporciona la complementaria, es decir:

U i1 U i 0
En donde la Utilidad “U” se supone que es una función de las variables
explicativas de dicha decisión (características personales,
socioeconómicas, culturales, etc.). Igualmente, existe un componente
aleatorio ei que recoge las desviaciones que los agentes tienen
respecto a lo que sería el comportamiento medio:
Ui0  U i0  e i0  0  X i0b  e i0
Donde: U i1  U i1  e i1   0  X i1b  e i1

Ui0 y Ui1 son las utilidades que le proporcionan al agente i la elección 0

ó 1, respectivamente;
Xi0 y Xi1 son vectores de variables explicativas que caracterizan la
elección de la alternativa 0 ó 1, respectivamente, por parte del
agente i;
Ui0 y Ui1 con las barras encima son las utilidades medias, observadas y
conocidas, y son combinaciones lineales de Xib
ei0 y ei1 representan aquellos factores de la utilidad que son
desconocidas, y que pueden variar según el individuo o la
alternativa que se trate.
El agente “i” elegirá la opción 1 si la utilidad de esa elección supera a la
de la opción 0, y viceversa. Es decir:
1 si U i1 U i 0
Yi  
0 si U i1 U i 0

Como consecuencia de ello se puede comprobar que la probabilidad de

que un individuo “i” elija la opción 1 será:

Pr(Yi  1 X i )  Pr(e i    X i b X i 0 , X i1 ) - - - - - - - (1)

Lo cual expresa el modelo en términos de una probabilidad acumulada

hasta  + Xib para la variable aleatoria ei, es decir:

Pr(Yi  1 X i )  Pr(e i    X i b X i )  F ( X i b ) - - - - - - (2)

Se muestra así que dicha probabilidad está dada por el valor de la

FUNCIÓN DE DISTRIBUCIÓN “F” en el punto Xib, es decir, F(Xib).
 MODELOS DE PROBABILIDAD LINEAL, LOGIT Y PROBIT

La función de distribución que se supone que sigue la probabilidad de

escoger la alternativa 1, Pr(Y = 1), da origen a tres tipos de modelos:

1. Si se supone que F es una distribución uniforme, y por lo tanto,

F=1, la modelización de la decisión se establece de acuerdo a:

Pr(Yi  1 X i )  X i b    bX i - - - - - (3)
Lo cual da origen al MODELO DE PROBABILIDAD LINEAL
(MPL)

2. Cuando la función de distribución utilizada es la llamada

Función Logística, la probabilidad de Y se modela como:

Zi
e
Pr(Yi  1 X i )  ( X i b )  ( Z i )  - - - - (4)
1 e Zi
3. Cuando la función de distribución que se utiliza es la FUNCIÓN
DE DENSIDAD NORMAL ESTÁNDAR, la ecuación que define a
la Pr(Y = 1) se escribe como:
Zi
Pr(Yi  1 X i )  ( X i b )  ( Z i )    (s)d(s) - - - - (5)


1 s2 2
Donde :  ( s)  e
2
 EL MODELO DE PROBABILIDAD
LINEAL (MPL)

El Modelo Básico

Considere el siguiente modelo simple:

Yi =b0 + b1Xi + ui - - - - (1)
donde X = log(ganancias de las microempresas en México)
Y = 1 si la microempresa es Formal
= 0 si es Informal
Modelos tales como (1), que se asemejan a un Modelo de Regresión
Lineal usual, se denominan Modelo de Probabilidad Lineal (MPL), ya
que la variable dependiente es binaria.
Si se toma el valor esperado de Y, dado X, y asumiendo que E(ui)=0:
E(Yi | Xi) = b0 + b1Xi - - - - - (2)
Ahora, permitiendo que Pi = probabilidad de que Yi = 1 (es decir, de que
el evento ocurra) y 1 - Pi = probabilidad de que Yi = 0 (que el evento no
ocurra), la variable Y tiene la siguiente distribución de probabilidad:
Yi Probabilidad
0 1 – Pi
1 Pi
Total 1

Es decir, Yi sigue la Distribución de Probabilidad de Bernoulli, que por

definición, la esperanza matemática de Yi se obtiene por:
E(Yi) = 0(1 – Pi) + 1(Pi) = Pi- - - - - (3)
Finalmente, igualando (2) y (3) se tiene:
E(Yi | Xi) = b0 + b1Xi = Pi - - - - - (4)
Es decir, la esperanza condicional del modelo (1) puede, de hecho, ser
interpretada como la probabilidad condicional de Y .
Recuérdese también que, si un individuo se enfrenta a un proceso de
decisión entre dos alternativas, denominadas 0 y 1, escogerá aquella
que le proporcione la mayor utilidad. Así, en el caso de que se decida
por la opción 1, se tendrá:
Pr(Yi=1|Xi)=Pr(Ui1>Ui0=F(Xib) - - - - (5)

Y si se opta porque F sea una Función de Distribución Uniforme, y por

tanto, que F=1, la modelización se establecería a través de:
Pr(Yi=1|Xi)=Xib - - - - (6)
Con lo cual llegamos nuevamente a definir el modelo de probabilidad en
términos de una línea recta.
 LIMITACIONES DEL MODELOS DE PROBABILIDAD LINEAL

I – No normalidad de las perturbaciones ui

II – Varianzas heteroscedásticas de ui

III – No cumplimiento de que: 0 < Pi < 1

IV – El valor de R2 está “subestimado”

V – El coeficiente estimado b1 es constante para cualquier valor de

Xi
 ALTERNATIVAS AL MLP
Se requiere un modelo probabilístico que tenga estas dos características:

1. A medida que X aumente, Pi = E(Y = 1 | X) aumente también pero nunca se salga del
intervalo [0,1], y

2. La relación entre Pi y Xi sea no lineal

Geométricamente el modelo que se desea tendría la forma de un signoide o curva en forma de

S, la cual se parece mucho a la función de distribución acumulativa de una variable aleatoria
(FDA).
1 P

FDA

Por razones históricas, al igual que prácticas, 0 las FDA comúnmente seleccionadas para
representar los modelos de respuesta binaria son: 1) la logística, y 2) la normal; la primera da
lugar al modelo logit y la última, al modelo probit (o normit).
La elección de uno u otro modelo es arbitraria, y su diferencia es, fundamentalmente, operativa. En la práctica
se recomienda estimar los dos modelos y elegir el que presente los mejores resultados.

COMPARACIÓN DE LOS MODELOS LOGIT Y PROBIT

P
1

Probit

Logit

0
La distribución logística tiene extremos ligeramente más anchos, lo cual significa que la probabilidad
condicional Pi se aproxima a cero o a uno a una tasa menor en el modelo logit, en comparación con el probit.

“No existe una razón de peso para elegir uno u otro. En la práctica muchos investigadores eligen el modelo
Logit debido a su comparativa simplicidad matemática”. (Gujarati)

“El modelo Logit fue alguna vez utilizado con amplitud porque es más fácil de estimar numéricamente… En el
presente ambos se utilizan ampliamente. En términos prácticos, sus resultados son tan similares que las
conclusiones económicas de la investigación son las mismas”. (Schmidt)
“Los economistas suelen favorecer la suposición de la normalidad de los errores (ui), razón por la cual el
modelo Probit es más popular entre ellos que el Logit. Además, varios problemas de especificación se
analizan con más sencillez con el Probit por las propiedades de la distribución normal”. (Wooldridge)

“Por sencillez de cálculo pueden existir razones prácticas para preferir una u otra distribución, pero, desde un
punto de vista teórico, resulta difícil justificar esta elección. Amemiya (1981) analiza varios aspectos
relacionados con esta cuestión pero, en términos generales, puede decirse que este problema no se ha
resuelto aún. En la mayoría de las aplicaciones, parece que se llega a los mismos resultados escogiendo
una distribución u otra”. (Greene)
 INTERPRETACIÓN DE LOS COEFICIENTES
Debido a que los coeficiente Logit (y Probit también) no tienen una interpretación
directa, se reportan las pendientes (efectos marginales) derivadas del modelo
estimado, las cuales representan el cambio en la probabilidad de que ocurra el
evento en cuestión ante un cambio unitario en el valor del regresor (F/x).

Así, el efecto marginal en el modelo logit para, por ejemplo, xk, está dado por
(b’x)bk, donde (b’’x)bk es la función de densidad de la distribución logística. Para
el Probit, el efecto marginal estará calculado por (b’x)bk, donde (.) es la función de
densidad de la variable normal estándar, y b’x es el modelo probit utilizado en el
análisis.

Para calcular los efectos marginales, se toman como vector de variables

independientes el formado por las medias de cada una de las variables explicativas.
En el caso de las variables binarias (d), el efecto marginal que se calcula está dado
por:
Prob[Y = 1 | x * , d=1] - Prob[Y = 1 | x * , d=0]

donde x * representa el vector formado por las medias de todas las demás variables
explicativas. De esta forma, el coeficiente calculado representa el cambio que
experimenta la función cuando d varía de 0 a 1 manteniendo constantes las demás
variables.