UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE CIENCIAS ECONOMICAS CONTABLES Y ADMINISTRATIVAS

ESCUELA ACADEMICO PROFESIONAL DE ECONOMIA

INFORME:

RESUMEN DEL CAPITULO 15: MODELOS DE REGRESIÓN DE RESPUESTA CUALITATIVA

CATEDRA: ECONOMETRIA II

DOCENTE: FERNANDEZ RODRIGUEZ EDWIN HORACIO

ALUMNO: AGUILAR BUENO EYCOL GIANPIER

CAPITULO 15: MODELOS DE REGRESIÓN DE RESPUESTA CUALITATIVA

RESUMEN:

 Este capitulo nos explica que los modelos de regresión cualitativa se refieren a
modelos en los que la variable de respuesta, o regresada, no es cuantitativa ni en
escala de intervalo.

 En respecto al modelo de regresión con respuesta cualitativa más sencillo posible es el

modelo binario en el que la regresada es del tipo sí/no o presencia/ausencia.

 También nos explica en este capitulo que el modelo o de regresión binario más sencillo
posible es el modelo lineal de probabilidad (MLP), en el que se hace la regresión sobre
la variable de respuesta binaria con la metodología de MCO estándar. En este caso, la
simplicidad quizá no sea una virtud, pues el MLP experimenta diversos problemas de
estimación. Aunque se superen algunos de dichos problemas de estimación, la
debilidad fundamental del MLP es que supone que la probabilidad de que algo suceda
se incrementa de manera lineal en función del nivel de la regresora; este supuesto tan
restrictivo se evita con los modelos probit y logit.

 Por el lado del modelo logit, la variable dependiente es el logaritmo de la razón de

probabilidades, la cual es una función lineal de las regresoras, su función de
probabilidades es la distribución logística. Lo cual implica que, si se contara con los
datos de manera agrupada, se utilizarían MCO para calcular los parámetros del modelo
logit, siempre y cuando se tome en cuenta de manera explícita la naturaleza
heteroscedástica del término de error. Si se dispone de los datos en el nivel individual
o micro, se requerirían los procedimientos de estimación no lineales en los
parámetros.

 Si elegimos la distribución normal como la distribución de probabilidades apropiada, se

emplea el modelo probit, aunque es matemáticamente más difícil porque requiere
integrales. Pero para propósitos prácticos, los resultados de los modelos logit y probit
son similares. En la práctica, la elección depende de la facilidad de cálculo, lo cual no
representa un problema grave en vista del complejo software estadístico que hay
ahora.

 Si la variable de respuesta es del tipo de cuenta, el modelo más frecuente en el trabajo

aplicado es el de regresión de Poisson, que se basa en la distribución de probabilidades
de Poisson.

 Un modelo estrechamente relacionado con el modelo probit es el tobit, también

conocido como modelo de regresión censurado. En dicho modelo, la variable de
respuesta se observa sólo si se cumplen ciertas condiciones. Sin embargo, Maddala
observa que el modelo tobit es “aplicable sólo en esos casos en donde la variable
latente (es decir, la variable básica que subyace en un fenómeno) puede, en principio,
 adoptar valores negativos, y los valores nulos observados son una consecuencia de la
censura y la no observabilidad.

 Existen varias extensiones del modelo de regresión con respuesta binaria, como los
modelos probit y logit ordenados, así como los probit y logit nominales. La filosofía de
estos modelos es la misma que la de los modelos logit y probit más sencillos, a pesar
de que las matemáticas se complican un poco.

 Finalmente, en este capítulo se menciona brevemente sobre los llamados modelos de

duración, en los que la duración de un fenómeno, como el desempleo o la
enfermedad, depende de diversos factores. En tales modelos, la longitud o el intervalo
de duración se convierten en una variable de interés para la investigación.

EJEMPLOS TRABAJADOS EN EVIEWS DEL CAPITULO CORRESPONDIENTE

EJEMPLO 1: muestra datos inventados sobre propiedad de vivienda Y (1 tiene casa

propia, 0 no tiene casa propia) e ingreso familiar X (miles de dólares) de 40 familias.
Con base en esta información, el MLP estimado por MCO fue el siguiente:

Interpretación:
 El intercepto de −0.9457 da la “probabilidad” de que una familia con
ingreso cero tenga una casa propia. Como este valor es negativo y la
probabilidad no puede ser negativa, consideramos que este valor es cero,
lo cual es razonable en este caso.
  El valor de la pendiente de 0.1021 significa ca que para un cambio unitario
en el ingreso (aquí, $1 000), en promedio, la probabilidad de tener casa
propia aumenta en 0.1021 o alrededor de 10%.

Tomando un ingreso determinado, ahora se procede a estimar la

probabilidad real de tener casa propia para un ingreso de ($12 000), la
probabilidad estimada será:

(Yˆ i | X = 12) = −0.9457 + 12(0.1021) = 0.2795

Interpretación:
 la probabilidad de que una familia con un ingreso de $12 000 tenga una
casa propia es de alrededor de 28%.
 Aunque todos los Yi estimados fueran positivos e inferiores a 1, el MLP
todavía sufre del problema de heteroscedasticidad. Como consecuencia,
no podemos confiar en los errores estándar estimados, pero podemos
utilizar el procedimiento de mínimos cuadrados ponderados (MCP), ya
analizado, para obtener estimaciones más eficientes de los errores
estándar. Las ponderaciones necesarias, wˆi , requeridas para la aplicación
de MCP, Pero observe que algunos Yi son negativos y otros exceden el
valor de uno, los wˆi correspondientes a estos valores serán negativos. Por
tanto, no podemos utilizar estas observaciones en MCP, con lo cual se
reduce el número de observaciones, de 40 a 28 en este ejemplo.8 Al omitir
estas observaciones, la regresión por MCP es:

Ver tabla de generación de ponderaciones

Interpretación:

 Los resultados demuestran que, en comparación con el modelo de mínimos

cuadrados ordinarios, los errores estándar r estimados son menores y,
correspondientemente, las razones t estimadas (en valores absolutos) son más
grandes. Pero se debe tomar este resultado con cierta reserva, pues al estimar
(15.2.11) se tuvieron que eliminar 12 observaciones. Además, como los wi son
estimaciones, los procedimientos usuales de pruebas de hipótesis estadísticas son
válidos, en estricto sentido, en muestras grandes.

Ejemplo 5

Datos hipotéticos s sobre Xi (ingreso), Ni (número de familias con ingreso Xi) y ni (número de
familias que tienen casa propia)

Describiendo los diversos pasos de estimación de la regresión logit se tiene:

Para cada nivel de ingresos, la probabilidad estimar casa propia seria:

Grafica de la probabilidad

Para cada x, el logit seria:

Grafica del estadístico z

Para resolver el problema de heteroscedasticidad, se obtiene:

Estimando el modelo logit

Interpretación:

 Con respecto a la constate el valor no es significante, en cuanto a los ingresos

tampoco hay un nivel de significancia y en cuanto al número de familias que tienen
casa propia también el valor obtenido no es significante.
 Con respecto a la R2 ajustado nos indica que el modelo se ajustaría al 99%, pero en
mi opinión duda mucho por las probabilidades obtenidas.
Ejemplo 7

Modelo logit: datos sobre el efecto del Sistema de Enseñanza Personalizada (PSI, por sus sigas
en inglés) sobre las calificaciones

Resultados de regresión de la ecuación calculados en eviews

Representación de la estimación del modelo

Interpretación de los resultados:

 Del modelo obtenido cada coeficiente de pendiente es un coeficiente de pendiente

parcial y mide el cambio en el logit estimado correspondiente a una unidad de cambio
del valor de la regresada dada (con las demás regresoras constantes). Por tanto, el
coeficiente del GPA igual a 2.8261 significa que, mientras las demás variables se
mantengan constantes, si el GPA se incrementa en una unidad, en promedio el logit
estimado aumenta casi 2.83 unidades, lo cual indica una relación positiva entre ambos.

 Como se aprecia, todas las demás regresoras tienen un efecto positivo en el logit, a
pesar de que en términos estadísticos el efecto de TUCE no es importante. No
obstante, todas las regresoras en conjunto tienen un impacto importante en la
calificación final, pues el estadístico RV es igual a 15.40, cuyo valor p es de casi 0.0015,
el cual resulta muy pequeño. En consecuencia, si tomamos el antilogaritmo del
coeficiente de PSI, igual a 2.3786, lo cual indica que los estudiantes expuestos al nuevo
método de enseñanza son por encima de 10 veces más propensos a obtener una A que
quienes no están expuestos al nuevo método, en tanto no cambien los demás
factores.

Modelo probit

Ejemplo 8: fumar o no fumar

Datos sobre 1196 sujetos de estudio (persona fumadora o no)

Interpretación:

 Aunque los coeficientes de los tres modelos no se pueden comparar de manera

directa, en el sentido cualitativo son similares. Así, edad, escolaridad y precio de los
cigarrillos producen efecto negativo en el hábito de fumar, y el ingreso tiene efecto
positivo.
 Estadísticamente, el efecto del ingreso es cero y el efecto del precio es significativo en
un nivel aproximado a 8%. En el ejercicio 15.20 se pide al lector que aplique el factor
de conversión para producir varios coeficientes comparables.

En Cuanto a la tabla:

Interpretación:

 En el MLP el efecto marginal de una variable sobre la probabilidad de fumar se obtiene

directamente de los coeficientes de regresión estimados, pero en los modelos logit y
probit deben calcularse.
 Es interesante que los efectos marginales de los tres modelos sean muy parecidos. Por
ejemplo, si el nivel de escolaridad aumenta, en promedio, la probabilidad de que
alguien se convierta en fumador se reduce en alrededor de 2%.

Ejercicio resuelto de la parte final del capítulo

15.9 De la encuesta sobre presupuesto familiar de 1980 levantada por la Oficina Central
Holandesa de Estadísticas, J. S. Cramer obtuvo el siguiente modelo logit con base en una
muestra de 2 820 familias. (Los resultados se basan en el método de máxima
verosimilitud y se dan después de la tercera iteración.) El propósito del modelo logit fue
determinar la adquisición de un automóvil como una función del (logaritmo del) ingreso.
La adquisición de automóvil fue una variable binaria: Y = 1 si una familia tenía un
automóvil, Y = 0 en otro caso.

a) Interprete el modelo logit estimado.

Como LOGIT es un modelo de regresión donde la variable dependiente es binaria se

puede deducir que el ejercicio es un modelo de doble registro puesto que el registro
de la proporción de probabilidades es una función del registro de ingresos. Entonces,
 el registro de las posibilidades a favor del propietario de la casa aumenta en un 34,8%
por un aumento del 1% en promedio por ingreso obtenido.
b) Del modelo logit estimado, ¿cómo obtendría la expresión para la probabilidad de
adquirir un automóvil?

Tomando el anti log de la ecuación estimada, obtenemos:

 Donde X es el ingreso. Se verifica que tomando el log de esta expresión regresa

a la ecuación dada en la pregunta.
 De la expresión anterior, obtenemos la expresión para la probabilidad de un
coche como se indica a continuación:

c) ¿Cuál es la probabilidad de que una familia con un ingreso de $20 000 posea un
automóvil?, ¿Y para un nivel de ingreso de $25 000? ¿Cuál es la tasa de cambio de la
probabilidad en un nivel de ingreso de $20 000?

Esta probabilidad es:

 Esto significa, que la probabilidad es aproximadamente el 66%. Siguiendo

estos pasos, se puede verificar que el nivel de ingresos de $25.000, tiene un
aproximado de 68% de probabilidad y que también el cambio en la
probabilidad del nivel de ingresos de $20.000 a $25.000 es bastante pequeño.

d) Comente sobre la significancia estadística del modelo logit estimado.

Desde los resultados dados se puede ver que los coeficientes son individualmente muy
significativos y que el valor de X2, es estadísticamente significativa y que tiene una
medida de bondad de ajuste.