Goytia Fatima Problema 4

BENEMÉRITA UNIVERSIDAD
AUTÓNOMA DE PUEBLA
PROBLEMA 4
Goytia Cruz Fatima Gorety
Prof. Bueno Cevada Enrique

Facultad de Economía
Econometría Financiera
NRC. 26917
SEC. 001
Modelo con variable dependiente
cualitativa
En un estudio realizado en el año 2018, para la ciudad de Puebla, se
entrevistó a 470 jóvenes para saber sobre sus expectativas de estudio
(educación superior).
Para responder a esta inquietud se propone el siguiente modelo:
1. Estimar el Modelo Lineal de Probabilidad (MLP)
Interpretación de los coeficientes Interpretación de los errores
estándar de los estimadores
Cuando las variables independientes: “integrantes”,
“”Iningreso, “Intiempo”, “edad”, “hrslectura”, “sexo” y El ERROR ESTÁNDAR es igual a 0.4449302, mayor a un
“compuinternet”” son iguales a 0, la probabilidad de seguir tercio del valor del estimador así que no se confiar en
estudiando “expectativa” es de 27.2097% en promedio. dicho estimador.
Cuando la variable independiente “integrantes” aumenta una

unidad (persona) manteniendo constantes las demás El ERROR ESTÁNDAR es igual a 0.133352, mayor a un
variables, la probabilidad de seguir estudiando disminuye tercio del valor del estimador así que no se confiar en
2.09428% en promedio. dicho estimador.
Cuando la variable independiente “Iningreso” aumenta un

punto porcentual manteniendo constantes las demás El ERROR ESTÁNDAR es igual a 0484982 mayor a un
variables, la probabilidad de seguir estudiando aumenta tercio del valor del estimador así que no se confiar en
Cuando la variable independiente “Intiempo” aumenta un El ERROR ESTÁNDAR es igual a 0.0574747, mayor a un
punto porcentual manteniendo constantes las demás tercio del valor del estimador así que no se confiar en
variables, la probabilidad de seguir estudiando disminuye dicho estimador.
5.65498% en promedio.
Cuando la variable independiente “edad” aumenta una unidad

(año) manteniendo constantes las demás variables, la El ERROR ESTÁNDAR es igual a 0.0058344, mayor a un
probabilidad de seguir estudiando disminuye 0.19728% en tercio del valor del estimador así que no se confiar en
promedio. dicho estimador.
Cuando la variable independiente “hrslectura” aumenta una El ERROR ESTÁNDAR es igual a 0.030163, mayor a un
unidad (hora) manteniendo constantes las demás variables, la tercio del valor del estimador así que no se confiar en
probabilidad de seguir estudiando aumenta 9.04219% en dicho estimador.
promedio.
Cuando el sexo del estudiante es hombre la probabilidad de
seguir estudiando aumenta 22.66941% en promedio. El ERROR ESTÁNDAR es igual a 0.0539553, menor a un
tercio del valor del estimador así que se confiar en dicho
estimador.
Cuando la variable independiente “compuinternet” aumenta
una unidad manteniendo constantes las demás variables, la El ERROR ESTÁNDAR es igual a 0.0590744, menor a un
probabilidad de seguir estudiando aumenta 13.03928% en tercio del valor del estimador así que se confiar en dicho
promedio. estimador.
Para t:
Bajo la hipótesis nula de que es igual a 0: el valor del estadístico es de 0.951, mayor a 0.05,
entonces es estadísticamente no significativo.
Bajo la hipótesis nula de que es igual a 0: el valor del estadístico es de 0.029, menor a 0.05,
entonces es estadísticamente significativo.
Para f:
Bajo la hipótesis nula de que = = = = = = = = 0, donde los cambios en el modelo no
tienen efecto en la variable dependiente, el “PI VALUE” de 0.0000, menor a 0.05 rechaza
la hipótesis nula, aceptando que los cambios en las variables independientes tienen
efectos sobre la expectativa de seguir estudiando.
El modelo arroja que R2 tiene un valor de 0.1314, lo que se traduce como que, el
13.14% de las variaciones en las variables independientes tendrán efecto sobre los
cambios en la variable independiente “expectativa”.
2. Estimar las probabilidades puntuales
Las probabilidades puntuales del MLP, plantea que por ejemplo:
Una persona cuya familia esta integrada por 5 habitantes cuyo ingreso es de 6.9%,
que no cuenta con computadora con internet, que le toma un tiempo de 4.78% para
desplazarse a la ciudad, con 0 horas de lectura, entre otras variables, cuenta con una
probabilidad de 35.15759% de seguir estudiando.
De igual modo, una persona cuya familia esta integrada por 0 habitantes cuyo ingreso
es de 7.6%, que no cuenta con computadora con internet, que le toma un tiempo de
3.8% para desplazarse a la ciudad, con 0 horas de lectura, entre otras variables,
cuenta con una probabilidad de 81.40091% de seguir estudiando.
3. Estimar el Modelo Logit
estudiando “expectativa” disminuye 2.988356 en promedio. dicho estimador.


punto porcentual manteniendo constantes las demás El ERROR ESTÁNDAR es igual a 0.2727469, mayor a un

Cuando la variable independiente “hrslectura” aumenta una El ERROR ESTÁNDAR es igual a 0.2141045, menor a un
unidad (hora) manteniendo constantes las demás variables, la tercio del valor del estimador así que se confiar en dicho
probabilidad de seguir estudiando aumenta 67.10371% en estimador.
promedio.
estimador.
una unidad manteniendo constantes las demás variables, la El ERROR ESTÁNDAR es igual a 0.3110216, mayor a un
probabilidad de seguir estudiando aumenta 72.15847% en tercio del valor del estimador así que no se confiar en
Para t:
Para f:
4. Estimar las probabilidades puntuales del Modelo Logit
5. Estimar los efectos marginales del Modelo Logit



promedio.
estimador.
Para t:
El conjunto de todas las variables independientes aumenta 67.489545% la

probabilidad de que una persona siga estudiando.
Con el comando “estat
class” obtenemos la bondad
de ajuste, que en este caso es
de 69.97%; se traduce a que, el
modelo predice el 69.97% de
los resultados, reflejando una
muy buena bondad de ajuste.
5. Estimar el Modelo Probit
estudiando “expectativa” disminuye 1.757928 en promedio. dicho estimador.



promedio.
estimador.
Para t:
Para f:
7. Estimar las probabilidades puntuales del Modelo Probit
8. Estimar los efectos marginales del Modelo Probit



promedio.
estimador.
Para t:
El conjunto de todas las variables independientes aumenta 66.86896% la

probabilidad de que una persona siga estudiando.
Con el comando “estat
class” obtenemos la bondad
de ajuste, que en este caso es
de 69.62%; se traduce a que, el
modelo predice el 69.62% de
los resultados, reflejando una
muy buena bondad de ajuste.
9. Compare los tres modelos y mencione ¿cuál de los tres es mejor
para estimar las probabilidades de estudio de los jóvenes?
Se observa que la variable independiente “integrantes”

es estadísticamente significativa en el MLP.
Se observa que la variable independiente “Iningreso” no
es estadísticamente significativa en ningún modelo.
Se observa que la variable independiente “Intiempo” no
Se observa que la variable independiente “edad” es
estadísticamente significativa en los tres modelos.
Se observa que la variable independiente “hrslectura” no
Se observa que la variable independiente “sexo” no es
estadísticamente significativa en ningún modelo.
Se observa que la variable independiente
“compuinternet” no es estadísticamente significativa en ningún
modelo.
El criterio de Akaike nos plante que el Modelo con el
menor coeficiente es el “mejor”. Por lo que, el Modelo
LOGIT con un coeficiente de 346.88648 es el “Mejor
modelo”.
El criterio de información Bayesiana de igual forma

plantea que el Modelo con el menor coeficiente es el
“mejor”. Por lo que, el Modelo LOGIT con un coeficiente
de 376.32786 es el “Mejor modelo”.
Lo que en conclusión, el criterio AIC y el criterio

BIC, nos arrojan a que el “Mejor modelo” es el Modelo
LOGIT.

Goytia Fatima Problema 4

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Goytia Fatima Problema 4

Cargado por

Copyright:

Formatos disponibles

BENEMÉRITA UNIVERSIDAD

Goytia Cruz Fatima Gorety

Prof. Bueno Cevada Enrique

Cuando la variable independiente “integrantes” aumenta una

Cuando la variable independiente “Iningreso” aumenta un

Cuando la variable independiente “edad” aumenta una unidad

Cuando la variable independiente “integrantes” aumenta una

Cuando la variable independiente “Iningreso” aumenta un

Cuando la variable independiente “edad” aumenta una unidad

Cuando la variable independiente “integrantes” aumenta una

Cuando la variable independiente “Iningreso” aumenta un

Cuando la variable independiente “edad” aumenta una unidad

El conjunto de todas las variables independientes aumenta 67.489545% la

Cuando la variable independiente “integrantes” aumenta una

Cuando la variable independiente “Iningreso” aumenta un

Cuando la variable independiente “edad” aumenta una unidad

Cuando la variable independiente “integrantes” aumenta una

Cuando la variable independiente “Iningreso” aumenta un

Cuando la variable independiente “edad” aumenta una unidad

El conjunto de todas las variables independientes aumenta 66.86896% la

Se observa que la variable independiente “integrantes”

El criterio de información Bayesiana de igual forma

Lo que en conclusión, el criterio AIC y el criterio

También podría gustarte