Modelos Dicotmicos

Luz Mara Ferrada B.

1. Modelos de eleccin discreto

Si la probabilidad de una opcin se puede expresar como:

Pr ob y 1 F x ,
i

La probabilidad de la opcin contraria es: Pr ob y 0 1 F xi ,

Los modelos ms utilizados en la literatura son:
El modelo Lineal de Probabilidad (MLP), que utiliza una forma
lineal
el Logit, que utiliza una distribucin logstica.
el Probit, que utiliza la funcin de distribucin normal
Si pi a la probabilidad de una opcin, el uso de MLP supone que pi vara
linealmente con xi. Si consideramos k variables explicativas, se tiene:
yi pi i xi i 0 1x1i 2 x2i ..... k xki i
pi Eyi xi xi 0 1x1i 2 x2i ..... k xki
Para estos modelos, se requieren especificaciones en la forma funcional que:
los valores posibles de la funcin estn dentro del intervalo (0,1)
A medida que xi se haga infinitamente pequeo, la funcin tienda a 1;
y a medida que xi se haga infinitamente grande, la funcin tienda a 0:

lim Pr obY 1 1 y lim Pr obY 0 0

x

El crecimiento de la funcin se produzca a tasas cada vez menores, se

observa en el grafico 1.
Funcin de distribucin acumulativa no lineal

2. Modelo Logit cuando yi es dicotmica

En el modelo logit: yi xi i , siendo:
yi la variable dicotmica toma el valor 1 o 0.
la funcin de distribucin logstica:
e xi
1
1
xi

xi
xi
0 1x1i ..... k xki
1 e
1 e
1 e

xi el vector fila de variables explicativas

el vector de parmetros que acompaan a las variables explicativas
i una variable aleatoria con distribucin normal, media nula y

desviacin tpica constante, es decir, N 0, 2 .

E yi xi 1 prob( yi 1) 0 prob( yi 0) prob( yi 1) pi

Dado que el modelo es:

yi

e xi
1
1
i
i
i
xi
xi
0 1 x1i ..... k x ki
1 e
1 e
1 e

Dado que las perturbaciones tienen media nula:

pi prob( yi 1) E yi xi

e xi
1
1

xi
xi
xi
0 1 x1i ..... k x ki
1 e
1 e
1 e

La probabilidad de que la la opcin sea cero es:

prob( yi 0) 1 pi 1

e xi
1

xi
1 e
1 e xi

El cociente entre pi y (1- pi ) mide la ventaja de la opcin 1 frente a la 0

es:

pi
e xi
1 pi

Donde es el estimador de y p i el estimador de la probabilidad de

e xi

participar: p i
1 e xi

pi no es una funcin lineal de las variables explicativas ni de los

parmetros del modelo.
En general, los modelos logit se estiman por el mtodo de Mxima
Verosimilitud (MV).

3. Estimacin por Mxima Verosimilitud

Se puede aplicar tanto a modelos lineales como no lineales
Se utiliza en la estimacin de modelos logit uniecuacionales
Los estimadores mximo verosmiles (EMV) son aquellos valores de los
parmetros para los cuales la funcin de densidad (o de probabilidad)
alcanza un mximo.
Probabilidad

Valor mximo de la
funcin para y 2

Coeficiente de
regresin

Varianza 2

Si el modelo de regresin lineal simple: yi xi i ,

las variables x e y, estn referidas al individuo i-simo,
i es la perturbacin aleatoria que se distribuye segn una funcin
normal, con esperanza igual a cero, varianza constante e igual a 2 y

autocovarianzas nulas: i N 0, 2 ;
si adems, se dispone de una muestra aleatoria, con n observaciones, se
puede establecer la siguiente funcin de densidad o probabilidad conjunta:

 1
Pr ob1 , 2 ,.... n Pr ob1 Pr ob 2 ....... Pr ob n f i =

i 1
2 2
n

1
2

e 2

2 i

Si se hace un cambio de variables, considerando que i yi xi , se

obtiene la probabilidad conjunta en funcin de la variable endgena y de los
parmetros:

Pr ob y1 , y 2 ,....y n ,,

f y ,, L,
n

i 1

2
2

22

yi xi

Funcin de probabilidad conjunta es la funcin de verosimilitud

Para estimar los valores de los parmetros que maximizan la funcin de

verosimilitud L , 2 , existen dos alternativas:

asignar distintos valores a y 2 , hasta encontrar el valor mximo
de la funcin de verosimilitud, o bien, optimizar.
obtener el logaritmo de la funcin de verosimilitud:

( , ) ln L ,
2

l , 2 n2 ln2 n2 ln 2 21 2 yi xi 2
n

i 1

Las condiciones necesarias para maximizar el logaritmo de la funcin

de verosimilitud son:
1.

2.

ln
0 , (condicin de primer orden)

2 ln
2

0 , (condicin de segundo orden, que garantiza un mximo)

Los EMV poseen buenas propiedades, entre ellas, la consistencia y la

invarianza, adems son asintticamente normales y eficientes. A partir de ellos
est justificada asintticamente la inferencia

4. Estimacin Mximo Verosmil en modelos de eleccin

dicotmica, logit
yi puede tomar el valor uno o cero
si se tiene una muestra con n observaciones independientes, y se
ordenaran de manera que estn en primer lugar los valores uno y
luego los ceros, la funcin de probabilidad conjunta se expresa de
la siguiente forma:
n

Pr ob y Pr ob y
i

1......... Pr ob yi 1 Pr ob yi 1 0........ Pr ob y n 0

i 1

Dado que:
El nmero de veces que se repite Prob yi 1 es igual a

1.
i

y
i 1

2.

El nmero de veces que se repite Prob yi 0 es igual a

n

1 y

i i 1

3.

Prob yi 1 pi y Prob yi 0 1 pi

Se obtiene la funcin de verosimilitud:

i 1

i 1

Prob yi

yi

y
pi i 1 pi 1 yi pii 1

1 pi

1 yi

i i 1

Cuyo logaritmo es:

ln L

i 1

i i 1

yi ln pi 1 yi ln 1 pi yi ln pi 1 yi ln1 pi

En el caso de un modelo logit, el logaritmo de la funcin de

verosimilitud se obtiene reemplazando, xi en pi y 1 xi en 1 pi :

ln L

yi ln xi 1 yi ln1 xi

Siendo xi

1
1 e xi

e xi
1 e xi

La ecuacin anterior es no lineal, por lo que para obtener los

estimadores MV es preciso obtener algn algoritmo de optimizacin no lineal.