c10d4 Logit

1
MODELOS DE ELECCIN BINARIA: ANLISIS LOGIT

El modelo de probabilidad lineal puede hacer predicciones sin sentido que indiquen que un
evento ocurrir con una probabilidad mayor a 1 o menor a 0.

X X
i

1
0
|
1
+|
2
X
i
Y, p
|
1
A
B
|
1
+|
2
X
i
1 |
1
|
2
X
i

2
0.00
0.25
0.50
0.75
1.00
-8 -6 -4 -2 0 2 4 6 Z
Z
e
Z F p

+
= =
1
1
) (
) (Z F
X Z
2 1
| | + =
La manera comn de evitar este problema es establecer la hiptesis de que la probabilidad
es una funcin sigmoidea (S-shaped) de Z, F(Z), en la que Z es una funcin de la variable
explicativa.

3
0.00
0.25
0.50
0.75
1.00
-8 -6 -4 -2 0 2 4 6
Muchas funciones matemticas son sigmoideas en carcter. Una es la funcin logstica
mostrada aqu. Mientras Z va al infinito, e
Z
va hacia a 0 y p va a 1 (pero no lo puede
exceder). Mientras que Z va hacia menos infinito, e
Z
va hacia el infinito y p hacia 0 (pero no
puede ser menor a 0).
X Z
2 1
| | + =
) (Z F
Z
e
Z F p

+
= =
1
1
) (
Z

4
0.00
0.25
0.50
0.75
1.00
-8 -6 -4 -2 0 2 4 6
El modelo implica que, para valores de Z menores a 2, la probabilidad de ocurrencia del
evento es baja y poco sensible a las variaciones de Z.
X Z
2 1
| | + =
) (Z F
Z
e
Z F p

+
= =
1
1
) (
Z

5
Para obtener una expresin de la sensibilidad, se deriva F(Z) con respecto a Z. El recuadro
gris contiene la regla general para derivar un cociente y lo aplica a F(Z).
V
U
Y =
2
V
dZ
dV
U
dZ
dU
V
dZ
dY

=
2
2
) 1 (
) 1 (
) ( 1 0 ) 1 (
Z
Z
Z
Z Z
e
e
e
e e
dZ
dp

+
=
+
+
=
0 1 = =
dZ
dU
U
Z
Z
e
dZ
dV
e V
=
+ = ) 1 (
Z
e
Z F p

+
= =
1
1
) (

6
0
0.1
0.2
-8 -6 -4 -2 0 2 4 6
2
) 1 (
) (
Z
Z
e
e
dZ
dp
Z f

+
= =
La sensibilidad, medida por la pendiente, es mayor cuando Z es igual a 0. La funcin
marginal, f(Z), alcanza un mximo en este punto.
Z
e
Z F p

+
= =
1
1
) (
) (Z f
Z

7
0.00
0.25
0.50
0.75
1.00
-8 -6 -4 -2 0 2 4 6
Para un modelo no-lineal de este tipo, la estimacin de mxima verosimilitud es muy
superior al principio de mnimos cuadrados en la estimacin de los parmetros. Mayores
detalles sobre esta apliacin se encuentran al final de esta presentacin.
Z
e
Z F p

+
= =
1
1
) (
) (Z F
X Z
2 1
| | + =
Z

8
0.00
0.25
0.50
0.75
1.00
-8 -6 -4 -2 0 2 4 6
Se aplicar este modelo al ejemplo de graduados de la preparatoria descrito en la
presentacin del Modelo de probabilidad lineal. Se inicia asumiendo que ASVABC es la
nica variable explicativa relevante, por lo que Z es una funcin simple de sta.
Z
e
Z F p

+
= =
1
1
) (
) (Z F
ASVABC Z
2 1
| | + =
Z

. logit GRAD ASVABC

Iteration 0: Log Likelihood =-162.29468

Logit Estimates Number of obs = 570
chi2(1) = 89.89
Prob > chi2 = 0.0000
Log Likelihood = -117.35135 Pseudo R2 = 0.2769

------------------------------------------------------------------------------
grad | Coef. Std. Err. z P>|z| [95% Conf. Interval]
---------+--------------------------------------------------------------------
asvabc | .1666022 .0211265 7.886 0.000 .1251951 .2080094
_cons | -5.003779 .8649213 -5.785 0.000 -6.698993 -3.308564
------------------------------------------------------------------------------

9
El comando de Stata es logit, seguido por la variable dependiente y la(s) variable(s)
explicativa(s). La estimacin de mxima verosimilitud es una proceso iterativo, por lo que la
primera parte del resultado ser similar al que se muestra.

. logit GRAD ASVABC

Iteration 0: log likelihood = -118.67769

Logit estimates Number of obs = 540
LR chi2(1) = 43.58
Prob > chi2 = 0.0000
Log likelihood = -96.886017 Pseudo R2 = 0.1836

------------------------------------------------------------------------------
GRAD | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
ASVABC | .1313626 .022428 5.86 0.000 .0874045 .1753206
_cons | -3.240218 .9444844 -3.43 0.001 -5.091373 -1.389063
------------------------------------------------------------------------------

10
En este caso los coeficientes de la funcin Z son los que se muestran.
ASVABC Z 131 . 0 240 . 3
+ =
i
ASVABC i
e
p
131 . 0 240 . 3
1
1
+
=

11
Puesto a que slo hay una variable explicativa, podemos dibujar las funciones de
probabilidad y de efectos marginales como funciones de ASVABC.
0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
ASVABC
C
u
m
u
l
a
t
i
v
e

e
f
f
e
c
t
0
0.01
0.02
0.03
M
a
r
g
i
n
a
l

e
f
f
e
c
t
ASVABC Z 131 . 0 240 . 3
+ =
i
ASVABC i
e
p
131 . 0 240 . 3
1
1
+
=

12
Observamos que ASVABC tiene un mayor efecto en la graduacin cuando es menor a 40, es
decir, en el rango ms bajo de habilidad. Cualquier individuo con un puntaje superior al
promedio (50) seguramente se graduar.
0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
ASVABC
C
u
m
u
l
a
t
i
v
e

e
f
f
e
c
t
0
0.01
0.02
0.03
M
a
r
g
i
n
a
l

e
f
f
e
c
t
ASVABC Z 131 . 0 240 . 3
+ =
13
El estadstico t indica que el efecto de la variacin de ASVABC sobre la probabilidad de
graduarse de la preparatoria es altamente significativo.

. logit GRAD ASVABC


LR chi2(1) = 43.58
Prob > chi2 = 0.0000

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ASVABC | .1313626 .022428 5.86 0.000 .0874045 .1753206
_cons | -3.240218 .9444844 -3.43 0.001 -5.091373 -1.389063
------------------------------------------------------------------------------

ASVABC Z 131 . 0 240 . 3
+ =
14
En realidad, el estadstico t es vlido solamente para muestras grandes, por lo que la
distribucin normal es la distribucin de referencia. Por esta razn el estadtico se denota
con una z en el resultado de Stata. Esta z no est relacionada con la funcin Z .

. logit GRAD ASVABC


LR chi2(1) = 43.58
Prob > chi2 = 0.0000

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ASVABC | .1313626 .022428 5.86 0.000 .0874045 .1753206
_cons | -3.240218 .9444844 -3.43 0.001 -5.091373 -1.389063
------------------------------------------------------------------------------

ASVABC Z 131 . 0 240 . 3
+ =
i
ASVABC i
e
p
131 . 0 240 . 3
1
1
+
=

15
El coeficiente de la funcin Z no tiene ninguna interpretacin intuitiva directa.
ASVABC Z 131 . 0 240 . 3
+ =
0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
ASVABC
C
u
m
u
l
a
t
i
v
e

e
f
f
e
c
t
0
0.01
0.02
0.03
M
a
r
g
i
n
a
l

e
f
f
e
c
t

16
Sin embargo, podemos utilizarlos para cuantificar el efecto marginal de un cambio en
ASVABC sobre la probabilidad de graduarse. Esto se realizar tericamente para el caso
general donde Z es una funcin de muchas variables explicativas.
k k
X X Z | | | ...
2 2 1
+ + =
Z
e
Z F p

+
= =
1
1
) (

17
Puesto que p es una funcin de Z, y Z es una funcin de las variables X, el efecto marginal
de X
i
sobre p puede expresarse como el producto del efecto marginal de Z sobre p y el
efecto marginal de X
i
sobre Z.
i
Z
Z
i
i i
e
e
Z f
X
Z
dZ
dp
X
p
| |
2
) 1 (
) (

+
= =
c
c
=
c
c
k k
X X Z | | | ...
2 2 1
+ + =
Z
e
Z F p

+
= =
1
1
) (

18
Ya se deriv una expresin para dp/dZ. El efecto marginal de X
i
sobre Z est dado por su
coeficiente |.
i
Z
Z
i
i i
e
e
Z f
X
Z
dZ
dp
X
p
| |
2
) 1 (
) (

+
= =
c
c
=
c
c
2
) 1 (
) (
Z
Z
e
e
dZ
dp
Z f

+
= =
k k
X X Z | | | ...
2 2 1
+ + =
Z
e
Z F p

+
= =
1
1
) (

19
Por lo tanto, se obtiene una expresin para el efecto marginal de X
i
sobre p.
i
Z
Z
i
i i
e
e
Z f
X
Z
dZ
dp
X
p
| |
2
) 1 (
) (

+
= =
c
c
=
c
c
k k
X X Z | | | ...
2 2 1
+ + =
Z
e
Z F p

+
= =
1
1
) (
2
) 1 (
) (
Z
Z
e
e
dZ
dp
Z f

+
= =

20
k k
X X Z | | | ...
2 2 1
+ + =
Z
e
Z F p

+
= =
1
1
) (
i
Z
Z
i
i i
e
e
Z f
X
Z
dZ
dp
X
p
| |
2
) 1 (
) (

+
= =
c
c
=
c
c
2
) 1 (
) (
Z
Z
e
e
dZ
dp
Z f

+
= =
El efecto marginal no es constante debido a que depende de los valores de Z, que a su vez
dependen de los valores de las variables explicativas. Un procedimiento muy comn es
evaluarlo con base en la media muestral de las variables explicativas.
21
La media muestral de ASVABC en esta muestra es 51.36.

. sum GRAD ASVABC

Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
GRAD | 540 .9425926 .2328351 0 1
ASVABC | 540 51.36271 9.567646 25.45931 66.07963

LR chi2(1) = 43.58
Prob > chi2 = 0.0000

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ASVABC | .1313626 .022428 5.86 0.000 .0874045 .1753206
_cons | -3.240218 .9444844 -3.43 0.001 -5.091373 -1.389063
------------------------------------------------------------------------------
22
Cuando se evala en la media, Z es igual a 3.507.

. sum GRAD ASVABC

-------------+--------------------------------------------------------
GRAD | 540 .9425926 .2328351 0 1
ASVABC | 540 51.36271 9.567646 25.45931 66.07963

LR chi2(1) = 43.58
Prob > chi2 = 0.0000

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ASVABC | .1313626 .022428 5.86 0.000 .0874045 .1753206
_cons | -3.240218 .9444844 -3.43 0.001 -5.091373 -1.389063
------------------------------------------------------------------------------
507 . 3 36 . 51 131 . 0 240 . 3
2 1
= + = + = X Z | |
23
e
Z
es 0.030. Por lo tanto, f(Z) es 0.028.

. sum GRAD ASVABC

-------------+--------------------------------------------------------
GRAD | 540 .9425926 .2328351 0 1
ASVABC | 540 51.36271 9.567646 25.45931 66.07963

507 . 3 36 . 51 131 . 0 240 . 3
2 1
= + = + = X Z | |
030 . 0
507 . 3
= =

e e
Z
028 . 0
) 030 . 0 1 (
030 . 0
) 1 (
) (
2 2
=
+
=
+
= =

Z
Z
e
e
dZ
dp
Z f
24
El efecto marginal, evaluado en la media, es entonces 0.004. Esto implica que un punto de
incremento en ASVABC incrementara la probabilidad de graduarse de la preparatoria en
0.4%.
028 . 0
) 030 . 0 1 (
030 . 0
) 1 (
) (
2 2
=
+
=
+
= =

Z
Z
e
e
dZ
dp
Z f
004 . 0 131 . 0 028 . 0 ) ( = = =
c
c
=
c
c
i
i i
Z f
X
Z
dZ
dp
X
p
|
030 . 0
507 . 3
= =

e e
Z

. sum GRAD ASVABC

-------------+--------------------------------------------------------
GRAD | 540 .9425926 .2328351 0 1
ASVABC | 540 51.36271 9.567646 25.45931 66.07963

507 . 3 36 . 51 131 . 0 240 . 3
2 1
= + = + = X Z | |

25
En este ejemplo, el efecto marginal en la media de ASVABC es bastante bajo. La razn es
que cualquier persona con un puntaje promedio tiene certeza de graduarse de cualquier
manera. Por lo que un incremento en el puntaje tiene un efecto muy bajo.
51.36
0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
ASVABC
C
u
m
u
l
a
t
i
v
e

e
f
f
e
c
t
0
0.01
0.02
0.03
M
a
r
g
i
n
a
l

e
f
f
e
c
t
26
Para mostrar que el efecto marginal vara, tambin se calcular para ASVABC igual a 30. Un
punto de incremento en ASVABC aumenta la probabilidad en 2.9%.
496 . 0
701 . 0
= =

e e
Z
222 . 0
) 496 . 0 1 (
496 . 0
) 1 (
) (
2 2
=
+
=
+
= =

Z
Z
e
e
dZ
dp
Z f
029 . 0 131 . 0 222 . 0 ) ( = = =
c
c
=
c
c
i
i i
Z f
X
Z
dZ
dp
X
p
|

. sum GRAD ASVABC

-------------+--------------------------------------------------------
GRAD | 540 .9425926 .2328351 0 1
ASVABC | 540 51.36271 9.567646 25.45931 66.07963

701 . 0 30 131 . 0 240 . 3
2 1
= + = + = X Z | |

27
Un individuo con un puntaje de 30 tiene slo 67% de probabilidad de graduarse, y un
incremento en su puntaje tiene un impacto relativo mayor.

0.00
0.25
0.50
0.75
1.00
0 10 20 30 40 50 60 70 80 90 100
ASVABC
C
u
m
u
l
a
t
i
v
e

e
f
f
e
c
t
0
0.01
0.02
0.03
M
a
r
g
i
n
a
l

e
f
f
e
c
t

. logit GRAD ASVABC SM SF MALE


LR chi2(4) = 43.75
Prob > chi2 = 0.0000

------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
ASVABC | .1329127 .0245718 5.41 0.000 .0847528 .1810726
SM | -.023178 .0868122 -0.27 0.789 -.1933267 .1469708
SF | .0122663 .0718876 0.17 0.865 -.1286307 .1531634
MALE | .1279654 .3989345 0.32 0.748 -.6539318 .9098627
_cons | -3.252373 1.065524 -3.05 0.002 -5.340761 -1.163985
------------------------------------------------------------------------------
28
Este es el resultado de un modelo con una mejor especificacin.

. sum GRAD ASVABC SM SF MALE

-------------+--------------------------------------------------------
GRAD | 540 .9425926 .2328351 0 1
ASVABC | 540 51.36271 9.567646 25.45931 66.07963
SM | 540 11.57963 2.816456 0 20
SF | 540 11.83704 3.53715 0 20
MALE | 540 .5 .5004636 0 1

29
Se estimarn los efectos marginales al poner todas las variables explicativas en el valor de
su media muestral. Como se aprecia, 94% de los casos se graduaron.

Logit: Marginal Effects

mean b product f(Z) f(Z)b

ASVABC 51.36 0.133 6.826 0.028 0.004

SM 11.58 0.023 0.269 0.028 0.001

SF 11.84 0.012 0.146 0.028 0.000

MALE 0.50 0.128 0.064 0.028 0.004

Constant 1.00 3.252 3.252

Total 3.514
30
El primer paso es calcular Z, cuando las variables X con iguales a su media muestral.
514 . 3
...
2 2 1
=
+ + =
k k
X X Z | | |



ASVABC 51.36 0.133 6.826 0.028 0.004

SM 11.58 0.023 0.269 0.028 0.001

SF 11.84 0.012 0.146 0.028 0.000

MALE 0.50 0.128 0.064 0.028 0.004

Constant 1.00 3.252 3.252

Total 3.514
31
Ahora, se calcula f(Z).
030 . 0
514 . 3
= =

e e
Z
028 . 0
) 1 (
) (
2
=
+
=

Z
Z
e
e
Z f
32
Los efectos marginales estimados son f(Z) multiplicado por su respectivos coeficientes. Se
observa que el efecto ASVABC es similar al anterior. La educacin de la madre tiene un
efecto insignificante y la educacin del padre no tiene un efecto discernible.
i
i i
Z f
X
Z
dZ
dp
X
p
| ) ( =
c
c
=
c
c



ASVABC 51.36 0.133 6.826 0.028 0.004

SM 11.58 0.023 0.269 0.028 0.001

SF 11.84 0.012 0.146 0.028 0.000

MALE 0.50 0.128 0.064 0.028 0.004

Constant 1.00 3.252 3.252

Total 3.514



ASVABC 51.36 0.133 6.826 0.028 0.004

SM 11.58 0.023 0.269 0.028 0.001

SF 11.84 0.012 0.146 0.028 0.000

MALE 0.50 0.128 0.064 0.028 0.004

Constant 1.00 3.252 3.252

Total 3.514
33
i
i i
Z f
X
Z
dZ
dp
X
p
| ) ( =
c
c
=
c
c
Los hombre tienen 0.4% mayor de probabilidad de graduarse respecto a las mujeres. Estos
efectos habran sido mayores si se hubieran evaluado respecto a los menores puntajes de
ASVABC. En stata, los efectos marginales se calculan con los comandos mfx o prvalue,
entre otros.

Las personas que se graduaron: probabilidad del resultado

34
Esta presentacin concluir con una explicacin puntual de cmo se estima el modelo
utilizando la estimacin de mxima verosimilitud.
i
ASVABC
e
2 1
1
1
| |
+
ASVABC Z
2 1
| | + =
ASVABC
Z
e
e
Z F p
2 1
1
1
1
1
) (
| |
+
=
+
= =
35
En el caso de un individuo que se gradu, la probabilidad de ese resultado es F(Z).
Daremos los subndices 1,, s a los individuos que graduaron.
i
ASVABC
e
2 1
1
1
| |
+
ASVABC Z
2 1
| | + =
ASVABC
Z
e
e
Z F p
2 1
1
1
1
1
) (
| |
+
=
+
= =


36
En el caso de un individuo que no se gradu, la probabilidad es este resultado es 1 F(Z).
Daremos los subndices s+1, ..., n a estos individuos.
i
ASVABC
e
2 1
1
1
| |
+
i
ASVABC
e
2 1
1
1
1
| |
+

Maximize F(Z
1
) x ... x F(Z
s
) x [1 F(Z
s+1
)] x ... x [1 F(Z
n
)]


Las personas que no se graduaron: probabilidad del resultado

Maximize F(Z
1
) x ... x F(Z
s
) x [1 F(Z
s+1
)] x ... x [1 F(Z
n
)]

Se graduaron No se graduaron

37
Seleccionamos b
1
y b
2
para maximizar la probabilidad conjunta de estos resultados, esto
es, F(Z
1
) x ... x F(Z
s
) x [1 F(Z
s+1
)] x ... x [1 F(Z
n
)]. No existe una frmula matemtica para
b
1
y b
2
. Tienen que ser determinadas iterativamente en un proceso de prueba y error.
i
ASVABC
e
2 1
1
1
| |
+
i
ASVABC
e
2 1
1
1
1
| |
+
|
.
|
\
|
+

|
.
|
\
|
+

+

+

+ n s
s
ASVABC b b ASVABC b b
ASVABC b b ASVABC b b
e e
e e
2 1 1 2 1
2 1 1 2 1
1
1
1 ...
1
1
1
1
1
...
1
1
Copyright Christopher Dougherty 20002010. This slideshow may be freely copied for
personal use.
02.02.10

c10d4 Logit

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

c10d4 Logit

Diunggah oleh

Hak Cipta:

Format Tersedia

1

MODELOS DE ELECCIN BINARIA: ANLISIS LOGIT

Anda mungkin juga menyukai