Presentacin de PowerPoint

Modelos de regresin Logit y ProbitALUMNA: SOFA LOZANO SNCHEZModelos 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 ProbitResultado BinarioEjemplos:

- S / No- xito / Fallo- Infarto / No infartoDentro / Fuera de la fuerza laboral Cmo modelar un Resultado binarioEnfoque 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

Donde Logit versus ProbitLa 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 StataData: NLSY 97Muestra: Perceptores de un ttulo de grado o licenciaturaVariable dependiente: Entrada a un puesto de STEMVariable 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)=1.61Interpretacin: 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

InterpretacinRegresin ProbitInterpretacin: 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 modelosPuede 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 estandarizadosBk^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 estandarizadosBk^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.