Discrete Models Slides

Motivacin Definiciones Probabilidades de eleccin Estimacin e inferencia Modelos de mltiple respuesta Estimacin en Stata y R Tpicos
Introduccin a los modelos de eleccin

discreta
Santiago A. Galln
Departamento de Matemticas y Estadstica Departamento de Economa
Grupo de Econometra Aplicada
Universidad de Antioquia, Medelln
II Escuela de Verano
Centro de Estadstica Aplicada a Estudios Socioeconmicos CEAES
Agosto 46 de 2009
logo
Contenido
1 Motivacin
2 Definiciones
3 Probabilidades de eleccin
Modelo de probabilidad lineal
Modelo Logit
Modelo Probit
4 Estimacin e inferencia
5 Modelos de mltiple respuesta
Modelo logit multinomial -MNL-
Modelo logit condicional -CL-
Modelo probit multinomial -MNP-
Modelo logit anidado -NLOGIT-
Modelos multinomiales ordenados -OMM-
6 Estimacin en Stata y R
logo
7 Tpicos
Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
Motivacin I
En la prctica se requiere explicar y predecir el comportamiento de las
decisiones que realizan los individuos.
En muchas situaciones las elecciones de los individuos son hechas
sobre un continuo de posibilidades, por ejemplo:
Cunto gastar en la compra de un bien?
Cunto trabajar?
En otras situaciones las elecciones son hechas sobre un nmero
limitado de posibilidades o alternativas elecciones discretas.
Trabajar o no trabajar
Estudiar o no estudiar
Dnde vivir?
Cul marca comprar?
Cul modo de transporte utilizar?,
Por cul candidato votar?, etctera.
El conocimiento de los determinantes de este tipo de decisiones es
importante en el diseo de polticas socioeconmicas. logo
Motivacin II
Qu es un modelo discreto?
Son modelos en los cuales la variable dependiente toma valores discretos
(Maddala, 1983).
Modelos de eleccin discreta

Modelos discretos que buscan describir el proceso de comportamiento de las
elecciones de un agente (unidad) tomador(a) de decisiones entre un conjunto
de alternativas.
Tambin se conocen como:

Modelos categricos
Modelos cuantles
Modelos de eleccin discreta
Modelos de eleccin cualitativa
Modelos de respuesta cualitativa logo
Aplicaciones:
Participacin laboral
Agremaciones laborales
Localizacin de firmas y lugares de trabajo
Prestamos bancarios
Finanzas
Energa
Migracin
Eleccin de modos de transporte
Compra de bienes durables
Decisiones de inversin
Investigacin de mercados
Localizacin de hogares
Matrimonios
Decisiones de nacimientos
Educacin
logo
Legislacin y votaciones
Criminologa
Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
Definiciones, notacin y propiedades I

Unidad (individuo, familia, firma, banco,...) tomadora de decisiones,
indexada por i = 1, . . . , n.
Ci , conjunto de eleccin de la unidad conformado por Ji alternativas u
opciones, indexadas por j = 1, . . . , Ji donde las alternativas deben ser:
Mutuamente exclusivas (elegir una alternativa implica no elegir
ninguna de las dems alternativas).
Exahutivas (todas las posibles alternativas son includas).
Finitas (el conjunto de eleccin es un conjunto contable
finitamente).
xij , vector de variables observadas relacionadas con la j-sima
alternativa, conocidas como atributos, a las que se enfrenta la i-sima
unidad.
si , vector de variables observadas relacionadas con la unidad tomadora
de decisiones (constantes para las alternativas).
logo
Definiciones, notacin y propiedades II

Uij , nivel de utilidad (bienestar, felicidad) de la i-sima unidad
obtenido a partir de la eleccin de la j-sima alternativa. Dicha utilidad
no es conocida por el investigador.
Bajo el supuesto de que la unidad se comporta como un agente
maximizador de su utilidad, entonces ste elige la alternativa j s y slo
s Uij > Uik , j 6= k.
Vij = V (xij , si , ), funcin observada por el investigador que
relaciona los factores observables xij y si con la utilidad de la unidad
tomadora de decisiones.
Dado que existen factores no observados por el investigador, sto es
Uij 6= Vij , entonces
Uij = Vij + ij

(1)
= V (xij , si , ) + ij
donde ij es una secuencia de variables aleatorias i.i.d. con funcin de logo
densidad, f (ij ).
Definiciones, notacin y propiedades III

Probabilidad de eleccin de la j-sima alternativa, j 6= k
Pr j = Pr ij = Pr(Uij > Uik )

= Pr(Vij + ij > Vik + ik )
= Pr(ik ij < Vij Vik )
(2)
ikj < Vij Vik )
= Pr(
Z Vij Vi1 Z Vij Vi2 Z Vij ViJ
= g(ij )dij

donde ij = ( i1j , . . . , iJj )0 es un vector de dimensin (J 1), con

. . . sobre todas las alternativas excepto la j-sima alternativa; y
g(ij ) su funcin de densidad.
logo
Definiciones, notacin y propiedades IV

Otra manera de derivar los modelos de eleccin discreta

yij = h(xij , , ij ) (3)
donde h() usualmente se define como h(xij , , ij ) = x0ij + ij

donde x0ij es conocida como funcin ndice.
El individuo i elige la alternativa j, s max(y i ) = yij

> 0 y no s
0
max(y i ) 0, donde y i = (yi1 , . . . , yiJ ) .

En la prctica yij es no observable (latente), para lo cual se define una
variable dummy, yij , dada por
(
j, s max(y i ) = yij
>0
yi =
0, s max(y i ) 0
logo
Definiciones, notacin y propiedades V

Las probabilidades de eleccin para j = 1, . . . , J

Pr ij = Pr(yi = j|xij ) = Pr(yij > 0|xij )
= Pr(h(xij , , ij ) > 0|xij )
= Pr(x0ij + ij > 0|xij )
= Pr(ij > x0ij |xij ) (4)
= 1 F (x0ij |xij )
= F (x0ij )
= Fij
donde F es la funcin de distribucin acumulada de (simtrica).

XJ
0 < Fij < 1, Fij = 1.
j=1
logo
Modelos de eleccin binaria I
Objetivo
Modelar el comportamiento de eleccin de los individuos cuando solamente
existen dos (J = 2) alternativas.
logo
Modelos de eleccin binaria II

Maximizacin de la utilidad aleatoria
Utilidades derivadas de las elecciones (j = 1, 2)
Ui1 = Vi1 + i1 = V (xi1 , s1 , ) + i1

Ui2 = Vi2 + i2 = V (xi2 , s2 , ) + i2
Probabilidades de eleccin
Pr 1 = Pr i1 = Pr(Ui1 > Ui2 )
= Pr(Vi1 + i1 > Vi2 + i2 )
= Pr(i2 i1 < Vi1 Vi2 )
= F (Vi1 Vi2 )
Pr 2 = Pr i2 = 1 Pr 1
= 1 F (Vi1 Vi2 )
logo
Modelos de eleccin binaria III

Funcin ndice
yi = h(xi , , i ) = x0i + i
con yi = 1 s yi > 0 y yi = 0 s yi 0.
Pr(yi = 1|xi ) = Pr(yi > 0|xi )
= Pr(x0i + i > 0|xi )
= Pr(i > x0i |xi )
= 1 F (x0i |xi )
= F (x0i )
Pr(yi = 0|xi ) = Pr(yi 0|xi ) = 1 F (x0i ) logo

Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
Para calcular las probabilidades de eleccin se deben evaluar las integrales

que las definen. Existen tres posibilidades:
Expresin de forma cerrada completa: Para ciertas especificaciones de
f (x0i ) la integral puede calcularse de manera exacta (expresada a
partir de una frmula de forma cerrada).
Simulacin completa: Cuando la integral no puede resolverse
analticamente, entonces sta puede aproximarse por medio de tcnicas
de simulacin
Simulacin y expresin de forma cerrada parcial: combinacin de las
anteriores.
logo
Pr(yi = 1) = F (xi , ) + i
yi = x0i + i
con E(i ) = 0 y yi es una variable binaria que toma el valor de 1 si el evento

ocurre y 0 en otro caso.
El valor ajustado, yi = x0i , puede tener valores fuera del rango (0, 1).
El modelo es heterocedstico:
V ar(i |xi ) = x0i (1 x0i )2 + (1 x0i )(x0i )2
= x0i (1 x0i )
= E(yi )[1 E(yi )]
El modelo supone que la probabilidad de ocurrencia del evento siempre

es la misma ante cambios en xi .
logo
logo
logo
Modelo Logit
Funcin logstica
Sabemos que
Pr j = Pr ij = Pr(ik ij < Vij Vik )

ikj < Vij Vik )
= Pr(
Asumiendo que ij distribuye independiente e identicamente como una

Gumbel (o de valor extremo tipo I) con f.d.p. y funcin de distribucin
dadas por:
f (ij ) = exp(ij ) exp( exp(ij ))

F (ij ) = exp( exp(ij )
entonces ikj = ik ij sigue una distribucin logistica:
exp(
ikj )
F (
ikj ) = (
ikj ) =
1 + exp(
ikj )
logo
Modelo Logit
Probabilidades de eleccin logit

Despus de algunas manipulaciones algebricas (vase, Train (2003),
Maddala (1983), y Cameron y Trivedi (2005)) se tiene que:
exp(x0i )
Pr ij = F (x0i ) = (x0i ) =
1 + exp(x0i )
1
=
1 + exp(x0i )
donde la f.d.p est dada por
exp(x0i )
f (x0i ) = (x0i )[1 (x0i )] = 2
[1 + exp(x0i )]
logo
Modelo Probit
Modelo Probit
Asumiendo que ij distribuye i.i.d. como una normal estndar y dado
que la diferencia entre variables aleatorias normales es normal,
entonces:
Z Vij Vik
F (Vij Vik ) = (Vij Vik ) = (
ikj )d
ikj

donde
1
f (
ikj ) = ( 2ikj /2)
ikj ) = exp(
2
Probabilidades de eleccin probit (asumiendo Vij Vik = x0i )
Z x0i
Pr ij = F (x0i ) = (x0i ) = (z)dz

donde (z) = 1 exp(z 2 /2)

2
logo
Modelo Probit
logo
Efectos marginales
Uno de los objetivos de los modelos de eleccin discreta consiste en
determinar los efectos marginales de los cambios de las variables
regresoras sobre la probabilidad condicional:
dF (x0i )

E(yi |xi )
= = f (x0i )
xi d(x0i )
Los efectos marginales difieren en el punto de evaluacin xi y con la

forma funcional F ()
Modelo Probabilidad F () Efecto marginal
Lineal x0i
exp(x0i )
Logit (x0i ) = 1+exp(x 0 ) (x0i )[1 (x0i )]
i
R x0i
Probit (x0i ) = (z)dz (x0i )
Efectos marginales promedio:

Xn
n1 f (x0i ) f (x0i ) logo
i=1
Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
El resultado del modelo de eleccin binaria distribuye Bernoulli:
f (yi |x) = Pr i yi (1 Pr i )1yi , yi = 0, 1

= [F (x0i )]yi [1 F (x0i )]1yi
Funcin de verosimilitud
Y Y
L() = Pr(Y1 = y1 , , Yn = yn ) = F (x0i ) [1 F (x0i )]
yi =1 yi =0
Yn
= [F (x0i )]yi [1 F (x0i )]1yi
i=1
Funcin log verosimil

n
X
ln L() = {yi ln F (x0i ) + (1 yi ) ln[1 F (x0i )]}
i=1
logo
ML tal que sea solucin de la ecuacin (no lineal)

n
ln L() X yi F (x0i ) 0
= 0 )[1 F (x0 )] f (xi )xi = 0
i=1
F (x i i
dF (x0i )
donde f (x0i ) = dx0i
Matriz de segundas derivadas del ln L() (Hessiana)
n
2 ln L()

X yi 1 yi 2 0 0
= + 0 )]2 f (xi )xi xi
0 i=1
F 2 (x0 )
i [1 F (xi
n
yi F (x0i )
X
0 0
+ 0 )[1 F (x0 )] f (xi )xi xi
i=1
F (x i i
con esperanza
n
2 ln L() f 2 (x0i )
X
E = xi x0i
0 i=1
F (x0i )[1 F (x0i )] logo
Matriz de varianzas y covarianzas asinttica de ML

1
2 ln L()

V ( ML ) = E
0
n 1
X f 2 (x0i )
= xi x0i
i=1
0
F (xi )[1 F (x0i )]
a
ML es consistente y ML N (, V ( ML )).
logo
Relacin entre los modelos LP, logit y probit I
Relacin entre los modelos Logit y probit
logit 1.6probit
Relacin entre los modelos LP y probit
LP 0.4probit excepto para la constante

LP 0.4probit + 0.5 para la constante
Relacin entre los modelos LP y logit
LP 0.25logit excepto para la constante

LP 0.25logit + 0.5 para la constante
logo
Mtodos iterativos para la estimacin ML

Mtodo de Newton-Raphson
" #1
2 ln L()

ln L()
t+1 = t
0 = t = t
Mtodo Scoring
" #1
2 ln L()

ln L()
t+1 = t E
0 = t = t
Otros mtodos:
Algortmo de Berndt-Hall-Hall-Hausman (BHHH).
Algortmo de Davidon-Fletcher-Powell (DFP).
Algortmo de Broyden-Fletcher-Goldfarb-Shanno (BFGS).
logo
Medidas de bondad de ajuste e inferencia
ln L()
R2 = 1
ln L(y)
Pn n 0 0
o
i=1 y i ln F (x i ) + (1 y i ) ln[1 F (xi )]
=1
n[y ln y + (1 y) ln(1 y)]
Pn
donde y = n1 i=1 yi .
Pn
y)(Fi (x0i ) F )
i=1 (yi
yi ,Fi = Pn Pn
2 0 2
i=1 (yi y) i=1 (Fi (xi ) F )
Inferencia
H0 : Q = c
donde Q y c son una matriz y vector de constantes conocidas de

dimensiones q K y q, respectivamente. logo
Para q = 1
Q c a
q tnK
QV ( ML )Q0
Para q > 1
a
W ald = (Q c)0 [QV ( ML )Q0 ]1 (Q c) 2q
a
LR = 2[ln L( ML ) ln L( CML )] 2q
donde CML denota el estimador de mxima verosimilitud restringido

obtenido de maximizar la funcin ln L sujeto a la restriccin Q = c.
logo
Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
Modelos multinomiales
Modelos donde existen ms de dos elecciones, (J > 2).
Existen diferentes modelos de mltiple respuesta dependiendo de la
especificacin de la forma funcional de las probabilidades de eleccin y
del tipo de variables regresoras que determinan la eleccin:
1 Regresores que varan entre las alternativas para un individuo
(tiempo, color, tamao y costos,...), xij .
2 Regresores invariantes entre las alternativas (edad, gnero,
ingreso, nivel educativo,...), xi .
logo

Pr ij = Pr(yi = j)
exp(x0i j )
= J
, j = 1, . . . , J
0
P
exp(xi k )
k=1
PJ
Como j=1 Pr ij = 1 se requiere de la restriccin 1 = 0 para
garantizar la identificacin del modelo.
n Y
Y J
yij
L= (Pr ij )
i=1 j=1
logo
Funcin log-verosmil
n X
X J
ln L = yij ln Pr ij
i=1 j=1
n X
J
!
X exp(x0i j )
= yij ln PJ
i=1 j=1 k=1 exp(x0i k )
l,MNL tal que sea solucin de la ecuacin (no lineal)
n J
ln L X X yij Pr ij
=
l i=1 j=1
Pr ij l
n
X
= (yil Pr il )xi = 0, l = 1, . . . , J
i=1
logo
Matriz de segundas derivadas

n X J
2 ln L X Pr ij
0 = xi
j l i=1 j=1
0l
n
X
= Pr ij (ijl Pr il )xi x0i , j, l = 1, . . . , J.
i=1
donde ijl = 1 s j = l y ijl = 0 s j 6= l.

MNL es consistente y
2 1 !
a ln L
MNL N , E
0
logo
Efectos marginales
J
Pr ij exp(x0i j ) exp(x0i j ) X
= J j 2 exp(x0i k ) k
xi J

exp(x0i k )
P
exp(x0i k ) k=1
P
k=1 k=1
J
X
= Pr ij j Pr ij Pr ik k
k=1

= Pr ij j i
PJ
donde i = k=1 Pr ik k
logo
Pr ij = Pr(yi = j)
exp(x0ij )
= J
, j = 1, . . . , J
exp(x0ik )
P
k=1
logo
n Y
Y J
yij
L= (Pr ij )
i=1 j=1
Funcin log-verosmil
n X
X J
ln L = yij ln Pr ij
i=1 j=1
n X
J
!
X exp(x0ij )
= yij ln PJ
i=1 j=1 k=1 exp(x0ik )
logo
CL tal que sea solucin de la ecuacin (no lineal)

n J
ln L X X yij Pr ij
=
i=1 j=1
Pr ij
n X J
X yij
= Pr ij (xij xi )
i=1 j=1
Pr ij
n X
X J
= yij (xij xi ) = 0
i=1 j=1
PJ
donde xi = k=1 Pr ik xik
logo
Matriz de segundas derivadas

n X J
2 ln L X xi
0 = yij 0
i=1 j=1

n X
X J
= Pr ij (xij xi )(xij xi )0
i=1 j=1
CL es consistente y
2 1 !
a ln L
CL N , E
0
logo
Efectos marginales
Pr ij exp(x0ij ) exp(x0ij ) 0
= J 2 exp(xij )
xij J
exp(x0ik )
P
exp(x0ik )
P
k=1 k=1
= Pr ij (1 Pr ij )
Pr ij exp(x0ij ) 0
= 2 exp(xil )
xil J
exp(x0ik )
P
k=1
= Pr ij Pr il
logo
Independencia de las alternativas irrelevantes -IIA-

Razones (cocientes) de disparidad (Odds ratio)
PJ
Pr ij exp(x0ij )/ j=1 exp(x0ij )
= PJ
Pr ik exp(x0ik )/ j=1 exp(x0ij )
exp(x0ij )
=
exp(x0ik )
= exp(x0ij x0ik )
Interpretacin: cuntas veces es ms probable de que ocurra el evento

yi = j relativo al evento yi = k.
Los cocientes de disparidad tiene la propiedad de no afectarse en
presencia de alternativas adicionales o del cambio en los atributos de las
dems alternativas = Propiedad de independencia de las alternativas
irrelevantes -IIA-
Esto se debe al supuesto de independencia de ij . logo
Ejemplo
Supngase que un individuo es indiferente entre las opciones de viajar
en auto o en bus (de color azul): Pc = Pba = 1/2 Pc /Pba = 1.
Ahora supngase que hay una nuevo bus (de color rojo) y que el
individuo considera ambos buses iguales tal que: Pba /Pbr = 1.
En el modelo logit los cocientes entre las probabilidades son iguales
independientemente de la presencia o no de otra alternativa, as las
nicas probabilidades para las cuales Pc /Pba = 1 y Pbr /Pba = 1 son
Pc = Pba = Pbr = 1/3.
En la vida real se esperara que el cociente Pba /Pc cambie con la
introduccin de una nueva alternativa (bus de color rojo). Supngase
que el individuo es indiferente de viajar en carro o bus Pc = Pb = 1/2
y que es indiferente de entre el bus azul o rojo Pba = Pbr = 1/4. Esto
implica que Pba /Pbr = 1 y Pba /Pc = (1/4)/(1/2) = 1/2, violando el
supuesto IIA.
logo

Funcin de densidad multivariada de i = (i1 , . . . , iJ )0 con media
cero y matriz de varianzas y covarianzas , i N (0, ):
1/2
f (i ) = (i ) = (2)J/2 || exp 12 0i 1 i

donde || es el determinante de .
Probabilidad de eleccin de la j-sima alternativa, j 6= k
Pr ij = Pr(Uij > Uik )

= Pr(Vij + ij > Vik + ik )
= Pr(ik ij < Vij Vik )
ikj < Vij Vik )
= Pr(
Z Vij Vi1 Z Vij Vi2 Z Vij ViJ
= g(ij )dij

i1j , . . . , iJj )0 vector de dimensin (J 1) y funcin de

con ij = ( logo
densidad g(ij ).

Como la diferencia de normales es normal, entonces
Z Vij1 Z VijJ
1/2
Pr ij = (2)(J1)/2 |j | exp 21 z 0i 1

j z i dz

donde Vijk = Vij Vik , k = 1, . . . , J (k 6= j), y j es la matriz de

varianzas y covarianzas de ij de dimensin (J 1).
Con el fin de facilitar el clculo de las probabilidades y asegurar la
identificacin de los parmetros se requiere de la imposicin de
restricciones sobre j (estructuras de varianza).
Train (2003) propone un procedimiento de normalizacin fijando la
varianza de una de las diferencias de los errores con respecto a la
alternativa j, ikj = ik ij . Usualmente se asumen las diferencias
con respecto a la primera alternativa, ik1 = ik i1 .
La reduccin del nmero de parmetros es una normalizacin que
elimina aspectos irrelevantes de la matriz . logo
Ejemplo
J = 3 con errores i = (i1 , i2 , i3 )0 y matriz de varianzas y
covarianzas

11 12 13
= 12 22 23
13 23 33
Considrese la probabilidad de elegir la alternativa j = 1:
Pr(i2 i1 < Vi1 Vi2 y i3 i1 < Vi1 Vi3 ), entonces

11 + 22 212
1 =
11 13 12 + 23 11 + 33 213
Normalizacin
" #
1
1 = (11 13 12 +23 ) 11 +33 213
(11 +22 212 ) (11 +22 212 )
logo
Modelo propuesto por McFadden (1978) para relajar el supuesto de

independencia de las alternativas irrelevantes -IIA- de los modelos
multinomiales logsticos (logit multinomial y logit condicional).
Modelo apropiado cuando el conjunto de alternativas puede
particionarse en subconjuntos, llamados nidos (nests). Es decir, cuando
existe una clara estructura de anidacin que consiste en:
1 En un primera etapa, el individuo elige entre un conjunto de eleccin
conformado por L alternativas indexadas por l = 1, , L.
2 Luego, condicionado a la eleccin de la l-sima alternativa, el individuo
elige entre un conjunto de eleccin conformado por Jl alternativas
indexadas por j = 1, , Jl (conjunto de alternativas anidadas en la
l-sima alternativa).
3 Y as sucesivamente...
La estructura de anidacin se acostumbra ilustrarla por medio de un
diagrama de rbol de decisiones.
Diagrama de rbol de decisin con dos niveles de anidacin

logo
Eleccin
z }| {
1 l L
z }| { z }| { z }| {
1 J1 1 Jl 1 JL
Propiedades:
1 Para cualquier par de alternativas que pertenecen al mismo nido, el
cociente de las propabilidades es independiente de los atributos o
existencia de todas las otras alternativas. Es decir, el supuesto de IIA se
cumple dentro de cada nido.
2 Para cualquier par de alternativas en diferentes nidos, el cociente de las
propabilidades puede depender de los atributos de las otras alternativas en
los dos nidos. Es decir, en general el supuesto de IIA no se cumple para
alternativas en diferentes nidos.
logo

Utilidad de la i-sima unidad obtenida a partir de la eleccin de la
j-sima alternativa perteneciente a la l-sima eleccin (nido).
Uijl = Vijl + ijl

= (x0ij|l l + z 0il ) + ijl , j = 1, . . . , Jl , l = 1, . . . , L.
donde i sigue una f.d. conjunta de valor extremo generalizada (GEV):

l
X L XJl
F (i ) = exp exp {ij /l }

l=1 j=1
l mide el grado de independencia entre los componentes no

observados de la utilidad para alternativas dentro del l-simo nido.
1 l puede emplearse como una medida de correlacin.
Cuando l = 1, l implica completa independencia entre todas las
alternativas en todos los nidos. logo

Probabilidad conjunta de que la i-sima unidad elija la j-sima
alternativa perteneciente a la l-sima eleccin
Pr ijl = Pr ij|l Pr il , j = 1, . . . , Jl , l = 1, . . . , L
Probabilidad de eleccin de la alternativa j condicionada a la eleccin l
Pr ij|l = Pr(yi = j|l)

exp(x0ij|l l /l )
= Jl
, j = 1, . . . , Jl , l = 1, . . . , L
exp(x0ik|l l /l )
P
k=1
Probabilidad (marginal) de eleccin de la alternativa l
Pr il = Pr(yi = l)
exp(z 0il + l Iil )
= L
, l = 1, . . . , L logo
exp(z 0im + m Iim )

P
m=1

nP o
Jl 0
Iil = ln k=1 exp(x
ik l / l ) son los valores inclusivos para la
categora l.
Iil relaciona las probabilidades marginal y condicional trayendo
informacin desde la probabilidad condicional hacia la probabilidad
marginal.
l Iil tiene la interpretacin de la utilidad esperada que el i-simo
individuo recibe de la eleccin entre las alternativas en el nido l.
logo
Modelo multinomial ordenado

Modelos en los cuales existe un ordenamiento de la variable
dependiente (discreta).
Aplicaciones:
Clasificacin del riesgo de activos financieros (bajo, medio y
alto riesgo).
Calificacin de instituciones financieras (AAA, AAB, AA2,
A, BBB, B,...)
Test de gustos.
Encuestas de opinin (niveles de satisfaccin).
Nivel de habilidades laborales.
Nivel de cubrimiento de programas sociales.
logo
Modelo multinomial ordenado

El punto de partida de los modelos multinomiales ordenados es el
modelo de variable latente:
yi = x0i + i
Para J alternativas se define la variable
yi = j s j1 < yi j , j = 1, . . . , J.
donde j son parmetros de umbral con 0 = y J = .

Pr(yi = j) = Pr(j1 < yi j )
= Pr(j1 < x0i + i j )
= Pr(j1 x0i < i j x0i )
= F (j x0i ) F (j1 x0i )
logo
donde F () es la funcin de distribucin acumulada de i .

Modelo logit ordenado

Pr(yi = j) = F (j x0i ) F (j1 x0i )
= (j x0i ) (j1 x0i )
exp(j x0i ) exp(j1 x0i )
=
1 + exp(j x0i ) 1 + exp(j1 x0i )
donde () es la funcin de distribucin acumulada logstica.
Modelo probit ordenado

Pr(yi = j) = F (j x0i ) F (j1 x0i )
= (j x0i ) (j1 x0i )
donde () es la funcin de distribucin acumulada normal estndar. logo

logo
La funcin ln L(, 1 , . . . , J1 ) es
n X
X J
ln L(, ) = Ij (yi ) ln Pr ij
i=1 j=1
n X
X J
= Ij (yi ) ln [F (j x0i ) F (j1 x0i )]
i=1 j=1
donde (
1, s yi = j;
Ij (yi ) =
0, en otro caso
Efectos marginales
Pr(yi = j)
= [f (j1 x0i ) f (j x0i )]
xi
donde f (z) = dF (z)/dz
logo
Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
Comandos de Stata:
logit, logistic: Modelo logit
probit: Modelo probit
clogit: Modelo logit condicional
mlogit: Modelo logit multinomial
asmprobit, amprobit: Modelo probit multinomial
nlogit: modelo logit anidado
ologit: modelo logit ordenados
oprobit: modelo probit ordenados
Paquetes de R:
stats: incluye los modelos logit y probit
mlogit: Modelo logit multinomial y logit condicional
MNP: Modelo probit multinomial y probit ordenado
Otros software: Limdep, SAS, DCM bajo Ox, Eviews, etc.
logo
Factores de riesgo asociados con el bajo peso al nacer

189 observaciones, n = 189.
Variables:
1 Peso al nacer (low): peso < 2500 gramos (low =1) y peso 2500
gramos (low = 0)
2 Raza (race): blanca (race = 1), negra (race = 2), u otra (race = 3)
3 Edad de la madre (age)
4 Peso ltimo perido mestrual (lwt)
5 Fum durante el embarazo (smoke)
6 Historia laboral prematura (ptl)
7 Historia de hipertensin (ht): s (ht = 1) y no (ht = 0)
8 Irritabilidad uterina (ui): s (ui = 1) y no (ui = 0)
Modelo especificado
Pr ij =F (age agei + lwt lwti + smoke smokei + ptl ptli + ht hti

+ ui uii + race2 di,race=2 + race3 di,race=3 )
logo
Determinantes de tener carro propio

Variables:
1 Carro propio (owncar): 1 s el estudiante tiene carro propio
2 Edad del estudiante (age)
3 Ingreso mensual (income)
4 Gnero (male): masculino (male = 1) y femenino (male = 0)
Modelo especificado
Pr ij =F (income incomei + age agei + male malei )
logo

Anlisis de eleccin de modos de transporte para viajar entre Sydney y
Melbourne, Australia (Hensher y Greene, 1995).
Modos de transporte (J = 4 alternativas): aire, tren, bus o carro.
Variables:
1 Eleccin de transporte (Mode)
2 Medida de costo generalizado del viaje (GC).
3 Costo en el vehculo (INVC).
4 Tiempo de espera en el terminal de transporte, 0 para el carro (TTME).
5 Tiempo de viaje (INVT).
6 Ingreso familiar (HINC).
logo

rbol de decisin de dos niveles
Modelo especificado
Uij =avin di,avin + tren di,tren + bus di,bus
+ GC GCij + TTME TTMEij + HINC di,aire HINCi + ij
donde di,j son constantes correspondientes a las elecciones.
logo
Eleccin de restaurantes
Anlisis de eleccin de tipos de restaurantes.
Tipos de restaurantes (L = 3 alternativas): restaurantes de comida
rpida, restaurantes familiares y restaurantes lujosos.
300 familias, n = 210 para 3100 observaciones (n L).
Variables:
1 Variable identificadora de la familia (id)
2 Eleccin (chosen): s (chosen = 1) y no (chosen = 0)
3 Elecciones de restaurantes (restaurant)
4 Ingreso familiar (income).
5 Costo promedio de la comida por persona (cost).
6 Nmero de nios en la familia (kids).
7 Calificacin en la gui de restaurantes locales (rating).
8 Distancia entre el hogar y el restaurante (distance).
logo
Eleccin de restaurantes
rbol de decisin de dos niveles
Modelo especificado
Pr(restaurant|type) = Pr(cost cost + rating rating + distance distance)
Pr(type) = Pr(iFast incFast + iFancy incFancy + kFast kidFast
+ kFancy kidFancy + fast Ifast + family Ifamily + fancy Ifancy ) logo
Registro de reparacin de autos

Variables:
1 Registro de reparacin en 1977 (rep77): poor, fair, average, good
y excellent.
2 Nacionalidad del auto (foreign): domstico (foreign = 0) y extranjero
(foreign = 1)
3 Variable proxy del tamao del vehculo (length)
4 Millas por galn (mpg)
Modelo especificado
Pr(yi = j) = Pr(j1 < yi j )
= Pr(j1 < fore foreign + length length + mpg mpg + i j )
logo
Contenido
1 Motivacin
2 Definiciones
Modelo Logit
Modelo Probit
logo
7 Tpicos
Tpicos I
Modelos multivariados
Panel de datos
Modelos de funcin ndice no lineal
Modelos de coeficientes aleatorios
Modelos discretos-continuos
Modelos de autoseleccin
Modelos truncados y censurados
Modelos de supervivencia (modelos de duracin)
Modelos semi y no paramtricos
Modelos de conteo
logo
Bibliografia I
Amemiya, T., 1985.

Advanced Econometrics
Harvard University Press.
Cameron, C. and P. Trivedi, 2005.
Microeconometrics: Methods and Applications
Cambridge University Press.
Gourieroux, C. and P. Klassen, 2000.
Econometrics of Qualitative Dependent Variables
Hensher, D., J. Rose and W. Greene, 2005.
Applied Choice Analysis: A Primer
Maddala, G.S. 1983.
Limited-Dependent and Qualitative Variables in Econometrics
Cambridge University Press, Cambridge
McFadden, D. and Manski, C. (Editors), 1981.
Structural Analysis of Discrete Data and Econometric Applications logo
Cambridge: The MIT Press.
Bibliografia II
Train, K., 1986.
Qualitative Choice Analysis: Theory, Econometrics, and an Application to Automobile
Demand
Cambridge: The MIT Press.
Train, K., 2003.
Discrete Choice Methods with Simulation
Amemiya, T., 1981.
Qualitative Response Models: A Survey
Journal of Economic Literature, 19, 1483-1536.
McFadden, D., 1974.
Conditional Logit Analysis of Qualitative Choice Behaviour
in P. Zarembka (ed.), Frontiers in Econometrics, 105-142, Academic Press: New York.
McFadden, D., 1978.
Modeling the Choice of Residencial Location
in A. Karlqvist, L. Lundqvist, F. Snickars, and J. Weibull (eds.), Spacial Interaction
Theory and Planning Models, 75-96, North-Holland: Amsterdam.
logo
Bibliografia III
McFadden, D., 1984.
Econometric Analysis of Qualitative Response Models
in: Z. Griliches and M. Intriligator. (eds.), Handbook of Econometrics, Vol. 2,
Amsterdam: North-Holland
McFadden, D., 2001.
Economic Choices
American Economic Review, 91, 351-378.
logo
GRACIAS!!!
logo

Discrete Models Slides

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Discrete Models Slides

Загружено:

Авторское право:

Доступные форматы

Motivacin Definiciones Probabilidades de eleccin Estimacin e inferencia Modelos de mltiple respuesta Estimacin en Stata y R Tpicos

Introduccin a los modelos de eleccin

Modelos de eleccin discreta

Tambin se conocen como:

Definiciones, notacin y propiedades I

Definiciones, notacin y propiedades II

Uij = Vij + ij

Definiciones, notacin y propiedades III

Pr j = Pr ij = Pr(Uij > Uik )

donde ij = ( i1j , . . . , iJj )0 es un vector de dimensin (J 1), con

Definiciones, notacin y propiedades IV

donde h() usualmente se define como h(xij , , ij ) = x0ij + ij

Definiciones, notacin y propiedades V

donde F es la funcin de distribucin acumulada de  (simtrica).

Modelos de eleccin binaria I

Modelos de eleccin binaria II

Ui1 = Vi1 + i1 = V (xi1 , s1 , ) + i1

Modelos de eleccin binaria III

Pr(yi = 0|xi ) = Pr(yi 0|xi ) = 1 F (x0i ) logo

Para calcular las probabilidades de eleccin se deben evaluar las integrales

Modelo de probabilidad lineal

Modelo de probabilidad lineal

con E(i ) = 0 y yi es una variable binaria que toma el valor de 1 si el evento

El modelo supone que la probabilidad de ocurrencia del evento siempre

Modelo de probabilidad lineal

Modelo de probabilidad lineal

Pr j = Pr ij = Pr(ik ij < Vij Vik )

Asumiendo que ij distribuye independiente e identicamente como una

f (ij ) = exp(ij ) exp( exp(ij ))

Probabilidades de eleccin logit

donde la f.d.p est dada por

donde (z) = 1 exp(z 2 /2)

Los efectos marginales difieren en el punto de evaluacin xi y con la

Efectos marginales promedio:

El resultado del modelo de eleccin binaria distribuye Bernoulli:

f (yi |x) = Pr i yi (1 Pr i )1yi , yi = 0, 1

Funcin log verosimil

ML tal que sea solucin de la ecuacin (no lineal)

Matriz de varianzas y covarianzas asinttica de ML

Relacin entre los modelos LP, logit y probit I

Relacin entre los modelos Logit y probit

Relacin entre los modelos LP y probit

LP 0.4probit excepto para la constante

Relacin entre los modelos LP y logit

LP 0.25logit excepto para la constante

Mtodos iterativos para la estimacin ML

Medidas de bondad de ajuste e inferencia

donde Q y c son una matriz y vector de constantes conocidas de

donde CML denota el estimador de mxima verosimilitud restringido

Modelo logit multinomial -MNL-

Modelo logit multinomial -MNL-

Modelo logit multinomial -MNL-

l,MNL tal que sea solucin de la ecuacin (no lineal)

Modelo logit multinomial -MNL-

Matriz de segundas derivadas

donde ijl = 1 s j = l y ijl = 0 s j 6= l.

Modelo logit multinomial -MNL-

Modelo logit condicional -CL-

Modelo logit condicional -CL-

Modelo logit condicional -CL-

Modelo logit condicional -CL-

CL tal que sea solucin de la ecuacin (no lineal)

Modelo logit condicional -CL-

Matriz de segundas derivadas

Uij = Vij + ij

donde ij = ( i1j , . . . , iJj )0 es un vector de dimensin (J 1), con

donde h() usualmente se define como h(xij , , ij ) = x0ij + ij

donde F es la funcin de distribucin acumulada de (simtrica).

Ui1 = Vi1 + i1 = V (xi1 , s1 , ) + i1

con E(i ) = 0 y yi es una variable binaria que toma el valor de 1 si el evento

Pr j = Pr ij = Pr(ik ij < Vij Vik )

Asumiendo que ij distribuye independiente e identicamente como una

f (ij ) = exp(ij ) exp( exp(ij ))

i1j , . . . , iJj )0 vector de dimensin (J 1) y funcin de

Uijl = Vijl + ijl

donde i sigue una f.d. conjunta de valor extremo generalizada (GEV):

donde F () es la funcin de distribucin acumulada de i .