Вы находитесь на странице: 1из 7

Universidad Nacional del Callao Facultad de ciencias económicas

Microeconometría – Trabajo Nª1

1. Hallar las probabilidades de ocurrencia o no ocurrencia del MPL

Se parte del modelo:


PCP = B1 + B2 ING + B3 G + B4 NE + B5 ES + B6 AE + B7 EDAD
Donde:

PCP Poseer Casa propia


ING Nivel de ingresos
G Género
NE Nivel educativo
ES Estrato socioeconómico
AE Años de experiencia
EDAD Edad

REGRESIÓN DEL MPL

Calculando la probabilidad:

PCP = 0.6002504 + [ING]*-0.0000282 + [G]*-0.0087061 + [NE]*0.0092878 + [ES]*-


0.0401032 + [AE]*-0.0038488 + [EDAD]*0.0054616

Pi (PCP) = 0.59866758

Interpretación: La probabilidad de que una persona tenga casa propia es del 59.87%

Probabilidad de no ocurrencia:
1 – Pi = 1 - 0.59866758 = 0.40133242

Interpretación: La probabilidad de que no ocurra el evento, es decir, que una persona


no posea una casa propia es del 40.13%
Universidad Nacional del Callao Facultad de ciencias económicas

Calculando la probabilidad promedio:

E (PCP) = 0.6002504 + (3403.812*-0.0000282) + (0.5362319*-0.0087061) +


(7.275362*0.0092878) + (2.913043*-0.0401032) + (20.13043*-0.0038488) +
(45.84058*0.0054616)

E (PCP) = 0.62322909
Interpretación: La probabilidad de que una persona tenga casa propia es del 62.32%

Probabilidad de no ocurrencia:
1 – Pi = 1 - 0.62322909 = 0.37677091

Interpretación: La probabilidad de que no ocurra el evento, es decir, que una persona


no posea una casa propia es del 37.68%

2. Hallar las observaciones que están fuera del rango de probabilidad de 0 y 1 MPL

br:

OBS PCP ING G NE ES AE EDAD pPCP


1 0 1800 0 6 3 6 33 0.6420255
2 1 3000 1 6 3 10 30 0.567686
3 1 5000 0 8 4 33 65 0.601074
4 0 4000 0 8 3 21 40 0.5790352
5 0 4200 1 5 3 16 43 0.5724521
6 1 1200 0 6 3 5 26 0.6245703
7 1 6000 0 8 4 6 25 0.4583177
8 1 2000 1 6 3 30 48 0.6172296
9 1 3000 1 6 3 33 52 0.5993181
10 0 3500 1 8 4 45 65 0.5884996
11 1 2000 0 6 3 31 34 0.5456252
12 1 2500 1 8 3 40 53 0.6105195
13 0 2000 1 6 3 38 38 0.5318239
14 1 1000 0 3 2 40 71 0.7535148
15 1 3500 1 9 2 14 33 0.6225365
16 0 2500 1 5 2 10 47 0.7054535
Universidad Nacional del Callao Facultad de ciencias económicas

17 1 1150 1 3 3 3 63 0.7991863
18 1 2600 1 10 2 24 49 0.7061116
19 0 1600 1 8 2 5 27 0.6687201
20 1 4200 0 4 2 6 29 0.5739997
21 0 1400 0 8 2 31 51 0.7140773
22 0 1800 0 8 4 8 25 0.5691079
23 1 2000 1 5 3 14 44 0.6476762
24 1 4000 0 10 2 6 28 0.6299072
25 1 8500 1 11 1 12 36 0.5642408
26 1 4000 1 6 2 5 49 0.7025913
27 1 2000 0 6 3 3 50 0.740776
28 1 3500 1 10 3 25 58 0.6859233
29 1 2300 0 10 2 25 58 0.7685862
30 0 12500 0 10 1 38 45 0.3998992
31 1 4500 1 9 2 25 42 0.6011425
32 1 2500 0 10 3 22 45 0.6633869
33 0 6000 1 10 2 27 52 0.6150312
34 0 1500 0 8 3 8 28 0.6340592
35 1 2300 0 9 3 9 32 0.6387753
36 0 1683 0 8 4 23 56 0.683985
37 1 2100 1 7 4 10 30 0.5622608
38 0 1000 0 6 4 10 38 0.636404
39 0 930 1 5 5 6 36 0.5847537
40 1 4500 1 11 2 28 51 0.6573257
41 0 4000 1 10 3 20 48 0.636446
42 1 2500 0 8 3 20 60 0.7344321
43 1 3000 1 6 4 28 53 0.5839204
44 1 4000 1 9 3 34 55 0.6115061
45 1 5000 0 9 2 25 53 0.65582
46 1 1300 1 8 4 23 67 0.746161
47 1 1500 0 6 4 30 63 0.6818615
48 0 2400 1 9 3 20 62 0.7487581
49 1 3000 0 7 3 25 51 0.6426408
50 0 4000 1 9 2 40 64 0.6776706
51 0 12000 1 10 1 30 50 0.4633968
52 0 15000 1 11 1 30 59 0.4372045
53 1 5600 1 9 2 30 32 0.4962506
54 0 4000 1 7 3 19 52 0.6342776
55 1 3000 1 8 3 4 25 0.5820466
56 0 1400 0 6 4 24 43 0.5985442
57 1 1200 0 1 4 30 64 0.6493474
58 1 12000 1 11 1 24 50 0.4957773
59 1 6000 0 11 2 20 40 0.5944279
60 0 2500 1 5 3 10 47 0.6653503
61 1 750 1 3 5 0 63 0.7418108
Universidad Nacional del Callao Facultad de ciencias económicas

62 0 4000 0 8 2 7 32 0.629329
63 1 2000 1 6 3 12 48 0.6865078
64 1 1000 0 3 4 40 71 0.6733083
65 1 3500 1 9 3 14 33 0.5824333
66 0 1350 0 4 4 15 34 0.5668643
67 1 900 0 3 5 25 40 0.5244498
68 0 1000 0 4 4 27 45 0.5906299
69 1 1200 0 6 4 12 34 0.6012179

Interpretación: Se observa que ninguna probabilidad de las 69 observaciones no se sale del


rango de 0 a 1, se podría decir que es un buen modelo. Pero se recomienda revisar el test de
normalidad (Jarque Bera) y también aplicar logaritmos a través de un modelo Logit.

3. Hallar las probabilidades conjunta de ocurrencia y no ocurrencia del modelo LOGIT

i) Primero se estima el modelo para obtener los coeficientes

ii) Luego se obtiene los valores promedios de las variables


Universidad Nacional del Callao Facultad de ciencias económicas

iii) Definimos la probabilidad conjunta de ocurrencia con los valores promedios

1
𝑃(𝑃𝐶𝑃 = 1) =
1 + 𝑒 −𝑍
Donde:

𝑍 = 𝛽0 + 𝛽1 ∗ ̅̅̅̅̅
𝐼𝑁𝐺 + 𝛽2 ∗ 𝐺̅ + 𝛽3 ∗ ̅̅̅̅
𝑁𝐸 + 𝛽4 ∗ ̅̅̅̅
𝐸𝑆 + 𝛽5 ∗ ̅̅̅̅
𝐴𝐸 + 𝛽6 ∗ ̅̅̅̅̅̅̅̅
𝐸𝐷𝐴𝐷

iv) Calculamos el valor de Z

𝑍 = 0.4081521 − 0.0001193 ∗ 3403.812 − 0.0402202 ∗ 0.5362319 + 0.0383591


∗ 7.275362 − 0.1756928 ∗ 2.913043 − 0.0171634 ∗ 20.13043
+ 0.0243055 ∗ 45.84058
𝑍 = 𝟎. 𝟓𝟏𝟔𝟒𝟓𝟕𝟐𝟐𝟔𝟑𝟔𝟕𝟒𝟐
v) Calculamos la probabilidad conjunta de ocurrencia

1
𝑃(𝑃𝐶𝑃 = 1) =
1 + 𝑒 −𝟎.𝟓𝟏𝟔𝟒𝟓𝟕𝟐𝟐𝟔𝟑𝟔𝟕𝟒𝟐

𝑃(𝑃𝐶𝑃 = 1) = 0.6263

𝑃(𝑃𝐶𝑃 = 1) ≅ 62.63%

vi) Definimos la probabilidad conjunta de no ocurrencia

1
𝑃(𝑃𝐶𝑃 = 0) =
1 + 𝑒𝑍
vii) Calculamos la probabilidad conjunta de no ocurrencia

1
𝑃(𝑃𝐶𝑃 = 0) =
1 + 𝑒 𝟎.𝟓𝟏𝟔𝟒𝟓𝟕𝟐𝟐𝟔𝟑𝟔𝟕𝟒𝟐

𝑃(𝑃𝐶𝑃 = 0) = 0.3737

𝑃(𝑃𝐶𝑃 = 0) ≅ 37.37%
Universidad Nacional del Callao Facultad de ciencias económicas

4. Hallar la probabilidad de ocurrencia cuando el género es 1, y el nivel educativo es


universitario completo, las demás variables normales.

I. Hallamos los efectos marginales de las variables


. mfx

Marginal effects after logit


y = Pr(PCP) (predict)
= .62631917

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

ING -.0000279 .00003 -0.92 0.359 -.000088 .000032 3403.81


G* -.0094095 .12397 -0.08 0.939 -.252378 .233559 .536232
NE .0089777 .03403 0.26 0.792 -.057728 .075683 7.27536
ES -.0411198 .08705 -0.47 0.637 -.211742 .129503 2.91304
AE -.004017 .00681 -0.59 0.556 -.017374 .00934 20.1304
EDAD .0056885 .00618 0.92 0.357 -.006421 .017798 45.8406

(*) dy/dx is for discrete change of dummy variable from 0 to 1

II. Ahora hallamos los efectos marginales cuando su género es varón y su nivel de
educación es universidad incompleta.

. mfx, at(G=1 NE=7)

warning: no value assigned in at() for variables ING ES AE EDAD;


means used for ING ES AE EDAD

Marginal effects after logit


y = Pr(PCP) (predict)
= .61945664

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

ING -.0000281 .00003 -0.92 0.359 -.000088 .000032 3403.81


G* -.0094345 .1243 -0.08 0.939 -.253066 .234197 1
NE .0090424 .03442 0.26 0.793 -.058411 .076496 7
ES -.0414161 .0878 -0.47 0.637 -.213494 .130662 2.91304
AE -.0040459 .0069 -0.59 0.557 -.017565 .009473 20.1304
EDAD .0057295 .0063 0.91 0.363 -.006625 .018084 45.8406

(*) dy/dx is for discrete change of dummy variable from 0 to 1

Interpretación: La probabilidad media de que una persona sea propietaria de una casa
cuando su género es masculino y su nivel de educación es universidad incompleta es
de 62%

5. Investigar cual es el valor que hace igual los coeficientes del PROBIT a los
coeficientes del LOGIT, determinar ese X y demostrar en base a las salidas, con un
sustento teórico
Universidad Nacional del Callao Facultad de ciencias económicas

Como se sabe los modelos LOGIT y PROBIT son modelos semejantes pero su principal
diferencia es que la distribución logística tiene colas más anchas.

La razón es que aunque sus distribuciones logísticas estándar (logit) y normal estándar
(probit) ambas tienen 0 como media y sus varianzas son diferentes: 1 para Probit y 𝜋 2 /3
para el Logit. Como resultado si multiplicamos el coeficiente Probit por 1.81
aproximadamente nos dará el valor del coeficiente Logit.

Вам также может понравиться