Econometra de la Empresa
Rafael de Arce
-
1
0.8
Pi
0.6
0.4
1
1 e 1 2 X i
0.2
0
Ejemplos de utilizacin:
-
LINEALIZACIN:
Para simplificar, rescribimos
z 1 2 X i
Pi
1
eZ
1 e Z 1 e Z
(1 Pi ) 1
eZ
1 eZ eZ
1
Z
Z
1 e
1 e
1 eZ
eZ
Z
Pi
1 e eZ
1
(1 Pi )
1 eZ
Lo anterior (la razn de probabilidades) se puede convertir en una funcin lineal
simplemente tomando logaritmos:
Pi
Ln(e Z ) 1 2 X i
Ln
(1 Pi )
ESTIMACIN:
A) Endgena es una proporcin o, directamente, una probabilidad: LOGIT
AGRUPADO
a. Se puede estimar directamente (es una funcin lineal),
b. pero heterocedstica: estimar por MCG
B) ndogena es una variable dicotmica (solo toma valores cero o uno), al definir
el odds ratio:LOGIT PARA RESPUESTAS DICOTMICAS
1
1
Ln
0
(1 1)
a. Si Y=1, Ln
0
0
Ln
1
(1 0)
b. Si Y=0, Ln
Pi
1
1 e
1 2 X i
Pr(Y 1 | X ) Pi
Pr(Y 0 | X ) 1 Pi
1
1 e 11X i
pi
Ln(1 pi )
Yi Ln
i 1
(1 pi )
Pi
1 2 X i
Ln
(1 Pi )
Ln((1 Pi ))
1
1 e 11X i
Yi ( 1 2 X i ) Ln
X
1 e 1 2 i
i 1
n
Yi ( 1 2 X i ) Ln(1 e 1 2 X i )
n
X
Yi ( 1 2 X i ) Ln(1) Ln(1 e 1 2 i )
i1
i 1
Ahora, solo habra que buscar los parmetros que maximizan esta funcin de
densidad conjunta:
Max Yi ( 1 2 X i ) Ln(1 e 1 2 X i )
i1
L
0
1
L
0
2
Esta derivacin implica el empleo de mtodos no lineales que pueden consultarse en
el captulo 15 del libro de Damodar Gujarati, Econometra, Ed. Mac Graw Hill, ao
2003. Puede consultarse tambin J. Wooldridge (2006) Introduccin a la econometra:
un enfoque moderno. Ed. Paraninfo
C
NWIFEINC
EDUC
EXPER
EXPER^2
AGE
KIDSLT6
KIDSGE6
Coefficient
Std. Error
z-Statistic
Prob.
0.425453
-0.021345
0.221170
0.205870
-0.003154
-0.088024
-1.443354
0.060112
0.860370
0.008421
0.043440
0.032057
0.001016
0.014573
0.203585
0.074790
0.494500
-2.534620
5.091442
6.422001
-3.104093
-6.040232
-7.089692
0.803749
0.6210
0.0113
0.0000
0.0000
0.0019
0.0000
0.0000
0.4215
McFadden R-squared
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
LR statistic
Prob(LR statistic)
0.219681
0.495630
1.088354
1.137481
1.107280
226.2161
0.000000
325
428
0.568393
0.425963
135.1762
-401.7652
-514.8732
-0.533553
Total obs
753
Dep. Value
Count
Percent
Cumulative
Count
Percent
0
1
325
428
43.00
56.00
325
753
43.16
100.00
Mod Ratio
(2)*1,27
1.24317911
1.58437008
1.56031372
1.26600073
1.1629884
0.29989073
1.34868346
Dicho valor ser menor que uno cuando la variable supone una reduccin del ratio y
mayor que uno cuando supone un aumento. Por ejemplo, un incremento unitario en el
nmero de aos de educacin medio, produce un incremento en el ratio de
probabilidades de 1,24 veces; es decir, este ratio pasara de 1,27 a 1,58. A sensu
contrario, un incremento de un ao en la edad media de una mujer producira una
reduccin del ratio de 0,91; es decir, pasara de 1,27 a 1,16.
En el prrafo anterior se ha repetido la palabra media, porque es importante recordar
aqu nuevamente que una de las bondades del modelo logit es que la incidencia de los
232
93
325
232
71.38
28.62
71.38
71.38
100
328
428
328
76.64
23.36
-23.36
NA
Total
332
421
753
560
74.37
25.63
17.53
40.62
Constant Probability
Dep=0
Dep=1
Total
0
325
325
0
0.00
100.00
0
428
428
428
100.00
0.00
0
753
753
428
56.84
43.16
En esta subtabla de la derecha, estamos asignado el valor 1 a todos los casos si el punto de corte es menor que la
media real, por lo que acertamos siempre cuando efectivamente el caso real es uno y fallamos siempre cuando el
caso real es cero).
Estimated Equation
Dep=0
Dep=1
E(# of Dep=0)
E(# of Dep=1)
Total
Correct
% Correct
% Incorrect
Total Gain*
Percent Gain**
190.18
134.82
325.00
190.18
58.52
41.48
15.36
27.02
134.82
293.18
428.00
293.18
68.50
31.50
11.66
27.02
Total
325.00
428.00
753.00
483.35
64.19
35.81
13.25
27.02
Constant Probability
Dep=0
Dep=1
Total
140.27
184.73
325.00
140.27
43.16
56.84
184.73
243.27
428.00
243.27
56.84
43.16
325.00
428.00
753.00
383.54
50.94
49.06
La utilidad de esta segunda tabla podra ser la de comparar entre distintos modelos
para endgenas diferentes (con distinto nmero de unos).