Examen Mayo 2016 - Curso de Econometría II - UNI 1

PROBLEMAS PROPUESTO
Examen Mayo 2016. - UNI 1

EJERCICIO 1: Modelo logit

Se considera una variable dicotómica tomando dos Modalidades (1,0) y tal como:

Prob(yi = 1) = f (α − xi β ) (1)

Y f (.), designada por la función de distribución de la Ley de la logística y Xi designa una

variable dicotómico tomando dos valores (0,1). Se dispone de 100 observaciones repartidas de
la siguiente manera:

Numero de Observaciones yi xi
26 observaciones yi = 1 xi = 1
32 observaciones yi = 1 xi = 0
26 observaciones yi = 0 xi = 1
16 observaciones yi = 0 xi = 0

Pregunta 1 (1punto) : Determinar en función de los parámetros α,β , y la variable explicativa

xi , la probabilidad de ocurrencia del evento yi :

Pregunta 2 (2puntos) : Muestra que la función de log-verosimilitud de este modelo logit puede
escribirse bajo la forma:

ln L(y; α, β ) = 48 x ln [1 + exp(−α − β )] − 48 x ln[1 + exp(−α)]

−42 x α − 26 x β , (2)

Pregunta 3 (2puntos) : Muestran que los logros de los estimadores de máxima verosimilitud
(MV) y los parámetros α y β valen:
b = 0,
α (3)

βb = −ln(3/5), (4)

1 Trabajo producido por: Alison Murga, Giancarlo Chiara, Joseluis Huertas y Henry Arriola.
Examen Mayo 2016 - Curso de Econometría II - UNI 2

Pregunta 4 (2puntos) : Demostrar que el efecto marginal asociado a la variable x es igual para
todos los individuos a 1/8 .Observación: Se recuerda que la variable xi es dicotómica y sólo
puede tomar dos valores: 0 y 1

Pregunta 5 (2puntos) : Probar la hipótesis nula Ho : β = 0 para un nivel de riesgo del 5%

utilizando una prueba de razón de verosimilitud.

Pregunta 6 (2punto) : Indique el valor de R2 de Mac Fadden de este modelo.

Pregunta 7 (2punto) : Calcular las probabilidades estimadas de realización del evento para los
diferentes individuos de la muestra y dibuje la curva ROC de este modelo Logit.
Examen Mayo 2016 - Curso de Econometría II - UNI 3

EJERCICIO 2 : Modelo logit independiente

Se trató de explicar el grado profesional (GP) basado en la edad (variable de edad, age) los años
de estudios completados (yearstudy), género ( f em, variable binaria que es 1 para las mujeres
y 0 para un hombre) y nacionalidad (nacional, variable binaria que es 1 si el individuo es de
nacionalidad extranjera, 0 en caso contrario). El GP se codifica como sigue: GP = 1 si es Phd,
GP = 2 si es doctor, GP =3 si es magister, G4 = 1 si es licenciado (categoría de referencia).

Pregunta 1: Calcular el odds ratio (relación de riesgo relativo) asociada con el hecho de ser
doctor para una hombre de nacionalidad extranjero, de 40 años, después de haber terminado sus
estudios a los 27 años.

Pregunta 2: Calcular los efectos marginales de la edad sobre la probabilidad de ser Phd (GP
= 4) y magister (GP = 2), para un hombre de nacionalidad francesa, a la edad de 30 años
después de haber terminado sus estudios a los 19 años. . Se supone que para este individuo, las
probabilidades asociadas con diferentes GP son los siguientes:

Pr(yi = 1) = 0.1380 (5)

Pr(yi = 2) = 0.2297 (6)

Pr(yi = 3) = 0.2209 (7)

Pr(yi = 4) = 0.4114 (8)

Examen Mayo 2016 - Curso de Econometría II - UNI 4

SOLUCIONARIO PROPUESTO
Examen Mayo 2016. - UNI

EJERCICIO 1: Modelo logit

Pregunta 1 (1punto) : Bajo estas hipótesis, la probabilidad de que el evento yi = 1 se describe

del siguiente modo:

1
Pr(yi = 1) = f (α + β xi ) = (9)
1 + exp (−α − β xi )

Pregunta 2 (2puntos) : La log-verosimilitud de un modelo logit de probabilidad logarítmica

que se escribe en la forma habitual

lnL(y; α; β ) = ∑i=1 yi ln [ f (α + β xi )] + (1 − yi )ln[1 − f (α + β xi )] (10)

En el contexto de esta aplicación, se obtiene:

ln L(y; α; β ) = 26 x ln [ f (α + β xi )] + 32 x ln [ f (α)]
(11)
+ 26 x ln[1 − f (α + β xi )] + 16 x ln[1 − f (α)]
Esto puede ser reescrito como:

ln L(y; α; β ) = −26 x ln [1 + exp (−α − β )] − 32 x ln [1 + exp (−α)]

+26 x ln [exp (−α − β )] − 26 x ln [1 + exp (−α − β )] (12)
+16 x ln [exp (−α)] − 16 x ln [1 + exp (−α)]

Después de la simplificación, obtenemos:

ln L(y; α; β ) = −52 x ln [1 + exp (−α − β )] − 48 x ln [1 + exp (−α)]

(13)
−42 x α − 26 x β

Pregunta 3 (2puntos) : Buscamos estimadores MV (α

b ; βb) como:

(α
b ; βb) = argmaxα,β [ln L(y; α, β )]

Escribimos las condiciones necesarias:

∂ [ln L(y; α, β )] exp(−αb − βb) exp(−αb)

|(αb ;βb) = 52 [ ] + 48 [ ] − 42 = 0 (14)
∂α 1 + exp(−αb − βb) 1 + exp(−α
b)
Examen Mayo 2016 - Curso de Econometría II - UNI 5

∂ [ln L(y; α, β )] exp(−αb − βb)

|(αb ;βb) = 52 [ ] − 26 = 0 (15)
∂β 1 + exp(−αb − βb)
Por lo tanto se extrae que:
b − βb) = 1
exp(−α (16)
exp(−αb)
26 + 48 [ ] − 42 = 0 (17)
1 + exp(−α
b)
O:
exp(−αb) 16 1
= =
1 + exp(−α
b ) 48 3
Deduciendo el valor de α
b:

1 1
b) =
exp(−α + exp(−α
b) (18)
3 3
1
⇔ exp(−α
b) = (19)
2
1
αb = − ln( ) = ln(2) (20)
2
Deducimos el estimador de MV de βb ya que:

b − βb) = exp(−ln(2) − βb) = 1

exp(−α (21)

βb = −ln(2)

Pregunta 4 (2puntos): Determinar el efecto marginal asociado a la variable x. Sabiendo que la

variable xi es dicotómica, este efecto marginal se escribe como sigue:

ε pi |xi = Pr (yi = 1 | xi = 1) − Pr (yi = 1 | xi = 0) (22)

O:
ε pi |xi = f (α + β ) − f (α) (23)
1 1
= ( )−( ) (24)
1 + exp(−α − β ) 1 + exp(−α)

Ya ahora se verifica que, dada la naturaleza dicotómica de la variable xi y la especificación

del modelo, el efecto marginal de la variable de xi es el mismo para todos los individuos de la
Examen Mayo 2016 - Curso de Econometría II - UNI 6

muestra i = 1, .., N . El efecto marginal estimado es:

b + βb) − f (α
ε pi |xi = f (α b)

1 1
= ( )−( )
b − βb)
1 + exp(−α 1 + exp(−α
b)

1 1
= ( )−( )
1 + exp(0) 1 + exp(−ln(2))
1 2
= − (25)
2 3
1
= − (26)
6
Pregunta 5 (2 puntos): Consideramos como hipótesis nula Ho : β = 0 utilizando una prueba de
razón de verosimilitud. Por lo tanto, debemos tener en cuenta las siguientes estadísticas:

LRT = −2 x [ ln L(y; α
b , 0) − ln L(y; α
b , βb)]

b , 0) denota la función log-verosimilitud del modelo probit obtenida bajo la hipótesis

En L(y; α
nula Ho : β = 0. Sabemos que bajo la hipótesis alternativa, tenemos:

b = ln(2) βb = −ln(2)
α (27)

A partir de entonces el valor del logaritmo de la verosimilitud bajo la hipótesis alternativa es:

b , βb) = −52 x ln [1 + exp (−α − β )] − 48 x ln [1 + exp (−α)]

ln L(y; α
−52 x α − 26 x β
(28)
= −52 x ln [1 + exp(0)] − 48 x ln [1 + exp(−ln(2))] − 16 x ln (2)
= −68 x ln (2) − 48 x ln ( 23 )

' −66.59633 (29)

Bajo la hipótesis nula, la log-verosimilitud se escribe de la manera siguiente:

ln L(y; α, 0) = −52 x ln [1 + exp(−α

b )] − 48 x ln [1 + exp(−α
b ) − 52 x α
b
(30)
= −100 x ln [1 + exp(−α
b )] − 52 x α
b

Entonces la maximización de la verosimilitud indica:

∂ log L(y; α, 0) exp(−αb)

= 100 x [ ] − 52 = 0 (31)
∂α 1 + exp(−α
b)
Examen Mayo 2016 - Curso de Econometría II - UNI 7

Donde uno extrae que:

52
b) =
exp(−α (32)
48
Por lo tanto, el valor del la log-verosimilitud bajo la hipótesis nula es:

b , βb) = −100 x ln [1 + exp(−α

ln L(y; α b )] − 58 x α
b

52 52
= −100 x ln [1 + ] + 58 x ln ( ) (33)
48 48

100 58
= −100 x ln ( ) + 58 x ln ( )
48 42
' −54.676 (34)

Deducimos el valor del estadístico LRT :

LRT = −2 x [ log L(y; α

b , 0) − log L(y; α
b , βb)]
= −2 x (−54.676 + 66.5963)

= 23.8406 (35)

Bajo Ho , esta estadística sigue una ley de chi-cuadrado con 1 grado de libertad. Para un riesgo
de primer grado, el punto crítico es 3.84, por lo que se rechaza Ho : β = 0.

Pregunta 6 (2 puntos): Por definicion:

b , βb)
log L(y, α
R2 de McFadden = 1 − (36)
b , 0)
log L(y, α
Entonces:

−66.5963
R2 de McFadden = 1 − = −0.218 (37)
−54.676

Pregunta 7 (2 puntos): Calculando las probabilidades estimadas de la realizacion del evento

yi = 1 a partir de la formula siguiente :

b i = 1) = f (α 1
Pr(y b + βbxi ) = (38)
b − βb ∗ xi )
1 + exp (−α
Examen Mayo 2016 - Curso de Econometría II - UNI 8

Numero de Observaciones yi xi c i = 1)
Pr(y
4
16 observaciones yi = 1 xi = 1 5
2
26 observaciones yi = 1 xi = 0 3
1
32 observaciones yi = 0 xi = 1 3
1
26 observaciones yi = 0 xi = 0 5

EJERCICIO 2: Modelo logit independiente

Pregunta 1 (3 puntos): Para cada variable, incluyendo al término constante de intercepción,

aparecerán sólo tres parámetros. La relación de la categoría de referencia se omitió porque
sabemos que es 0. La categoría de referencia es donde el grado profesional es de licenciado
(GP = 1). Los tres valores para cada variable se asocian con tres categorías GP, con exclusión
de la categoría referencia que ordena en orden ascendente los términos de la variable GP. Por
ejemplo, el parámetro age2 (0.0595) mide el efecto de la edad sobre la pertenencia al grado de
doctor (en lugar de la de los licenciados). En general, tenemos:

exp(xi β j )
Pr(yi = j) = (39)
1 + ∑k=1 3 exp(xi βk )

Donde el vector se normaliza a cero: β4 = 0. Dado que el modelo logit independiente satisface
la IIA hipótesis, por dos períodos separados j y k:

Pr(yi = j) exp(xi β j )
− − exp[xi (β j − βk )] (40)
Pr(yi = k) exp(xi βk )
En particular para el caso de magister (j = 2) y licenciado (k = 4), tenemos:

Pr(yi = 2) exp(xi β2 )
= = exp[xi (β2 − β4 )] = exp(xi β2 ) (41)
Pr(yi = 4) exp(xi β4 )
Por lo tanto, para una hombre (sexo = 0), de nacionalidad inglesa (ETR = 0), de 40 años (age =
40), y haber terminado sus estudios a los 27 años (Afinet = 27), tenemos:

Pr(yi =2)
Pr(yi =4) = exp(−10.5093 + 0.0595 ∗ age − 0.2758 ∗ f em + 0.4285 ∗ a f net − 1.1147 ∗ etr)
= exp(−10.5093 + 0.0595 ∗ 40 − 0.2758 ∗ 0 + 0.4285 ∗ 27 − 1.1147 ∗ 0)
= 3.4402
(42)
Examen Mayo 2016 - Curso de Econometría II - UNI 9

Esta hombre tiene 3,44 veces más probabilidades de ser parte de ser doctor.

Pregunta 2 (2 puntos): El efecto marginal de la edad sobre la probabilidad de que el individuo

i elija la modalidad j, ∀ j = 1,.., 4, es:

∂ pi j 4
= pi j [β a ge j − ∑ pi,z β a gez ] (43)
∂ agei z=1
Se sabe que para este individuo:
Pr(yi = 1) = 0.1380 (44)

Pr(yi = 2) = 0.2297 (45)

Pr(yi = 3) = 0.2209 (46)

Pr(yi = 4) = 0.4114 (47)

Por lo tanto, se trata de:

Pr(yi =1)
∂ agei = Pr(yi = 1) x [0.0873 − ∑ Pr(yi − j) x β a gez ]
= 0.1380 x [0.0873 − 0.1380 x 0.0873 − 0.2297 x 0.0595
(48)
−0.2209 x 0.0375 − 0.4114 x 0]
= 0.0074

Pr(yi =3)
∂ agei = Pr(yi = 3) x [0.0375 − ∑ Pr(yi − j) x β a gez ]
= 0.2209 x [0 − 0.1380 x 0.0873 − 0.2297 x 0.0595
(49)
−0.2209 x 0.0375 − 0.4114 x 0]
= −0.00751
Para este individuo, cuando se incrementa la edad, la probabilidad de ser Phd aumenta y la de
ser magister disminuye.