Академический Документы
Профессиональный Документы
Культура Документы
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.
PASO 3 PASO 4
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
Generar una serie mediante una ecuación Hasta este punto del procedimiento el
de la desviación de los errores estocásticos número de observaciones se redujo de 40 a
RWEST 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
Ya con la aclaración de que nuestro modelo cuenta con una distribución Bernoulli,
continuamos explicando la diferencia entre MCO y MCP.
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
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.