MODELO DE PROBABILIDAD LINEAL

PASO 1 PASO 2

Crear un grupo con los datos de una Estimar el modelo de probabilidad Lineal por
muestra sobre Propiedad de vivienda MCO
P_CASA (1=tiene casa propia, 0=no tiene
casa propia) e ingreso familiar INGRESO
(miles de dólares) de 40 familias.

Resultados de la Regresión por MCO

PASO 3 PASO 4

Generar una serie R1=RESID Abrimos la serie P_CASAF y podemos ver

que hay valores negativos y valores
mayores a 1.
PASO 5 PASO 6

Generar una serie P_CASAF1 Abrir serie P_CASAF1 y editar solo los
números negativos (borrar) y los mayores a
1 (colocar 1).

PASO 7 PASO 8

Utilizaremos el procedimiento de mínimos Abrir la serie WEST. Veremos que hay

cuadrados ponderados (MCP) para obtener valores ceros, se procede a borrar los
estimaciones más eficientes de los errores ceros (que queden en NA)
estándar. Primero se genera una serie
mediante una ecuación de la varianza de
los errores estocásticos WEST
PASO 9 PASO 10

Generar una serie mediante una ecuación
de la desviación de los errores estocásticos
RWEST
Hasta este punto del procedimiento el
número de observaciones se redujo de 40 a
28 (los 12 valores menos, se omitieron en
los pasos anteriormente indicados). Una vez
omitidas estas 12 observaciones se puede
estimar la regresión por MCP.

PASO 11

Por último, se obtiene los resultados de la

regresión por MCP
 DIFERENCIAS ENTRE LA PRIMERA ESTIMACION Y LA ESTIMACION POR MÉTODO
PONDERADO

Antes de poder explicar cual es la diferencia entre las estimaciones mencionadas

debemos tener en claro, qué tipo de
distribución sigue nuestro modelo.
¿Presenta una distribución
normal?; es claro que la respuesta
es un No. Nuestro modelo sigue
una distribución Bernoulli (también
llamada binomial), la que podemos
definir de la siguiente manera: “Es
una distribución de probabilidad
discreta que describe el número de
éxitos al realizar n experimentos
independientes entre sí, acerca de
una variable aleatoria”.

Al realizar una gráfica podemos

observar con claridad que
representa una distribución
Bernoulli.

Ya con la aclaración de que nuestro modelo cuenta con una distribución Bernoulli,
continuamos explicando la diferencia entre MCO y MCP.

1. INTERPRETACIÓN DE ESTIMACIÓN POR MCO

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
(generalmente, se puede
interpretar un valor muy
negativo como una probabilidad
casi nula de poseer una casa
propia cuando el ingreso es
cero). El valor de la pendiente
de 0.1021 significa que, para un
cambio unitario en el ingreso en promedio, la probabilidad de tener casa propia aumenta
en 0.1021 o alrededor de 10%. Desde luego, con un nivel de ingreso, podemos estimar la
probabilidad real de tener casa propia a partir de la ecuación obtenida. Por ejemplo, al
reemplazar cualquier el valor 12 que hace referencia a $12 000, la probabilidad estimada
de tener casa propia es

̂𝑖 |𝑋) = −0.9457 + 0.1021 (0.2795)

(𝑌
̂𝑖 |𝑋) = 0.2795
(𝑌

Al realizar este proceso con todos los datos de ingreso de las familias nos damos con los casos
de que algunos valores estimados son inferiores a cero, y algunos superiores a cero (6 valores
son inferiores y 6 valores son superiores), lo cual demuestra claramente el punto ya planteado de
que, aunque 𝐸(𝑌 ̂𝑖 |𝑋) es positivo y menor que 1, no necesariamente se cumple que sus
estimadores 𝑌 ̂𝑖 sean positivos o inferiores a 1. Ésta es una razón por la cual el MLP no es el
modelo recomendado cuando la variable dependiente es dicótoma. Aunque todos los 𝑌 ̂𝑖
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. Y es por ello que para poder solucionar este problema debemos recurrir al
procedimiento de mínimos cuadrados ponderados para obtener estimaciones más eficientes de
los errores estándar.

2. INTERPRETACIÓN DE MÉTODOS PONDERADOS

Aquí ya obtuvimos una

estimación por mínimos
cuadros ponderados, en la
cual podemos observar a
simple vista que estos
resultados demuestran que,
en comparación con la
estimación por mínimos
cuadrados ordinarios, los
errores estándar 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 por mínimos cuadrados ponderados se tuvieron que eliminar 12
observaciones, como se muestra en el gráfico mostrado en la parte inferior (lo que puede
ocasionar que nuestro modelo no tenga consistencia). Además, como los "𝑤" son estimaciones,
los procedimientos usuales de pruebas de hipótesis estadísticas son válidos, en estricto sentido,
en muestras grandes.