Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CURSO ECONOMETRIA II
MODELOS PROBIT
El modelo de estimación que surge de una FDA normal se conoce comúnmente como
modelo probit, aunque algunas veces también como modelo normit.
En principio, se puede sustituir la FDA normal por la FDA logística. Pero en lugar de
seguir este camino, presentaremos el modelo probit basado en la teoría de la utilidad, o
de la perspectiva de selección racional con base en el comportamiento, según el modelo
desarrollado por McFadden.29
Para motivar el modelo probit, suponga que en el ejemplo de
propiedad de vivienda, la decisión de la i-ésima familia de tener
casa propia o de no tenerla depende de un índice de conveniencia
no observable Ii (también conocido como variable latente),
determinado por una o diversas variables explicativas, digamos,
el ingreso Xi, de manera que entre mayor sea el valor del índice Ii,
mayor será la probabilidad de que la familia posea vivienda.
Expresamos el índice Ii como
Ii = β1 + β2Xi (1)
Ahora bien, es razonable suponer que para cada familia hay un nivel crítico
o umbral del índice, que podemos denominar I*i , tal que si Ii excede a I*i, la
familia tendrá una casa propia, de lo contrario no lo hará. El umbral I*i, al
igual que Ii, no es observable, pero si suponemos que está distribuido
normalmente con las mismas media y varianza, es posible no sólo estimar
los parámetros del índice dado en (1), sino también obtener alguna
información sobre el propio
índice no observable. Este cálculo se muestra de la siguiente manera.
Con el supuesto de normalidad, la probabilidad de que I*i ∗ sea menor o igual que Ii
se calcula a partir de la FDA normal estándar como:
(3)
FIGURA 1: Modelo probit:
a) Dado Ii , lea Pi en la ordenada
b) Dado Pi lea Ii en la abscisa
Como P representa la probabilidad de que ocurra un suceso, en este caso la
probabilidad de tener casa propia, se mide por el área de la curva normal
estándar de −∞ a Ii, como se muestra en la figura a).
Ahora, para obtener información sobre Ii, el índice de utilidad, lo mismo que
para β1 y β2, se toma la inversa de (2) para obtener
(4)
donde F-1 es la inversa de la FDA normal. El significado de todo esto se aclara con la
figura 1 PRESENTADA en la diapositiva anterior.
Como en el caso del modelo logit, la respuesta depende que se cuente con datos
agrupados o desagrupados. Consideramos los dos casos de manera individual.
Estimación de probit con datos agrupados: gprobit
(Datos repetidos)
Utilizaremos los mismos datos que para glogit, los cuales se muestran en la tabla 15.4
Como
ya tenemos , la frecuencia relativa (la medida empírica de probabilidad) de
poseer una casa propia para diversos niveles de ingresos, como se muestra en la tabla
15.5, con ella obtenemos Ii de la FDA normal, como se muestra en la tabla 15.10, o en la
figura 15.5
Una vez estimado el Ii, estimar β1 y β2 es un asunto relativamente sencillo, como
mostraremos en breve. A propósito, observe que en el lenguaje del análisis probit, el
índice de utilidad no observable Ii se conoce simplemente como desviación equivalente
normal (d.e.n.) o sólo normit. Como la d.e.n. o Ii será negativa siempre que Pi < 0.5, en
la práctica se agrega el número 5 a la d.e.n. y el resultado se denomina un probit.
Pero
Ii = β1 + β2Xi
donde ƒ(β1 + β2Xi) es la función de densidad de probabilidad de la normal estandarizada
evaluada en β1 + β2Xi. Resulta evidente que esta evaluación dependerá del valor particular de
las variables X.
Tome el valor de X de la tabla 15.5, por ejemplo, X =6 (miles de dólares). Con los valores
estimados de los parámetros proporcionados en la tabla 15.11, deseamos encontrar la función
de densidad normal en ƒ[−1.0166 + 0.04846(6)] = ƒ(−0.72548). Si consulta las tablas de
distribución normal, encontrará que para Z =−0.72548, la densidad normal es casi de 0.3066.
Ahora, si multiplica ese valor por el coeficiente de pendiente estimado de 0.04846, (es decir,
0.03066x0.04846), obtiene 0.01485. Esto significa que si empieza con un nivel de ingreso de
$6 000 y el ingreso aumenta $1 000, la probabilidad de que una familia compre una casa se
incrementa alrededor de 1.4%. (Compare este resultado con el de la tabla 15.6.)
Como se ve en el análisis anterior, el cálculo de cambios en la probabilidad mediante el modelo
probit resulta un poco tedioso, en comparación con los modelos MLP y logit.
En vez de calcular los cambios en la probabilidad, suponga que deseamos encontrar las
probabilidades estimadas a partir del modelo gprobit ajustado. Esto se realiza con facilidad.
Con los datos de la tabla 15.11 y al intercalar los valores de X de la tabla 15.5, el lector puede
verificar que los valores estimados n.i.d. (hasta dos dígitos) son los siguientes:
Si comparamos estas estimaciones con los valores reales dados en la tabla 15.5,
encontrará que ambos están muy cercanos entre sí, lo cual indica que el modelo ajustado
es bastante bueno. Gráficamente, lo que acabamos de realizar ya se presentó en la figura
15.4.
la tabla 15.7, que proporciona los datos de 32 individuos respecto de sus
calificaciones finales en los exámenes de microeconomía intermedia, en relación
con las variables GPA, TUCE y PSI.
Comandos para resolver una regresión PROBIT
Estimaciones de parámetro
Intervalo de confianza de 95 %
Parámetro Estimación Error estándar Z Sig. Límite inferior Límite superior
PROBIT a GPA 1,626 ,694 2,343 ,019 ,266 2,986
TUCE ,052 ,084 ,617 ,537 -,113 ,216
PSI 1,426 ,595 2,397 ,017 ,260 2,593
Interceptación -7,452 2,542 -2,931 ,003 -9,995 -4,910
a. Modelo PROBIT: PROBIT(p) = Interceptación + BX
a. Las estadísticas basadas en casos individuales difieren de las estadísticas basadas en casos
agregados.
Recuentos de casilla y residuos
Número de Respuestas Respuestas Probabilida
Esta diferencia tal vez sea la razón de la anterior popularidad del modelo MLP
TAREA: Texto base Econometría de Gujarati
(2010).
Cada integrante:
Resolver ejercicios 15.17 y 15.19