Академический Документы
Профессиональный Документы
Культура Документы
-∞ 0 Ii
8) Dado el valor de Pi se lee Ii en la abscisa de la figura:
Pi
-∞ 0 Ii
Interpretación del modelo Probit
1) Sabemos que :
a) Pi = P( Y=1/X ) = P(Ii* ≤ Ii ) = F(B1 + B2 X )= F(Ii )
b) Pi = F( Ii ) = F(B1 + B2 X )
c) ∂Pi /∂ xi = F(B1 + B2 X )Bi
d) ∆ Pi / ∆xi = F(B1 + B2 X )Bi
=> Si ∆xi = 1=> ∆ Pi = F(B1 + B2 X )Bi
Por lo tanto en un modelo probit la influencia que tienen las
variables explicativas sobre la probabilidad de elegir la opción
dado por Yi =1 no depende simplemente del valor de los
coeficientes , sino también del valor que toman las variables
explicativas
Los efectos marginales medios obtenidos a partir de la media
muestral, son una las formas mas comunes de presentación
de los resultados
Los cocientes entre valores estimados de dos parámetros:
Bj / Bk miden la importancia relativa de los efectos que las
variables Xj y Xk tienen sobre la probabilidad de escoger la
alternativa Y =1. debido a esta propiedad, si bien los
coeficientes de un modelo probit no son directamente
interpretables sus valores relativos si lo son:
Estimación del modelo Probit
En la estimación del modelo probit tambien se presenta dos
casos en su estimación:
I. Estimación del modelo probit para datos agrupados
II. Estimación del modelo probit para datos dados en forma
individual
Estimación del modelo probit para
datos agrupados
1) Se calculan las frecuencias relativas pi = ni / Ni
2) Luego se lee en la FDA estándar normal los Ii
correspondientes
3) Luego se regresiona el modelo: Ii = B1 + B2 X por el
MCO
4) Una vez estimado el modelo dado en ( 3) se estiman las
probabilidades estimadas o predichas respectivas
Aplicando al ejemplo a los datos de la propiedad de la vivienda:
Pi Xi Ii = F-1(Pi )
0.20 6 -0.84
0.24 8 -0.71
0.30 10 -0.53
0.35 13 -0.39
0.45 15 -0.13
0.51 20 0.02
0.60 25 0.25
0.66 30 0.41
0.75 35 0.67
0.80 40 0.84
b) El modelo es: Ii = B1 + B2 X + u
c) El modelo estimado es:
2) Los cocientes entre valores estimados de dos parámetros:
Bj / Bk miden la importancia relativa de los efectos que las
variables Xj y Xk tienen sobre la probabilidad de escoger la
alternativa Y =1. debido a esta propiedad , si bien los
coeficientes de un modelo probit no son directamente
interpretables sus valores relativos si lo son:
Estimación del modelo probit para
datos individuales
1) Tambien en el caso del modelo Probit se utiliza el método de la
máxima verosimilitud
2) Y =(1 si la familia tiene una PC en su casa; 0: si la familia no
tiene una PC en su casa)
3) Variables explicativas:
IF: ingreso familiar
HU=(1: tienen hijos universitarios,0: si no tiene hijos
universitarios)
PP=( 1: si los padres son profesionales, 0: si los padres no son
profesionales)
3) El modelo Probit:
Ii = B0 +B1 IF + B2 HU + B3 PP + ui
Una prueba equivalente a la prueba F
1) A fin de probar la hipótesis nula respecto a que todos los
coeficientes de pendiente son simultáneamente iguales a cero, el
equivalente de la prueba F en el modelo Probit es el LR
estadístico. El LR estadístico es usado para probar la significancia
total del modelo
2) Dada la hipótesis nula, el estadístico LR sigue la distribución X2
con (m) Grados de libertad,
3) Donde: m= # de variables explicativas del modelo
Dado el siguiente modelo probit:
Ii = B0 +B1 IF + B2 HU + B3 PP + ui
H 0: B 1 = B 2= B 3 = 0
H A : B 1 ≠ B 2≠ B 3 ≠ 0
LR= 35.39342
Para 3 Grados de libertad se lee en la tabla X2
Si LR > X2 de la tabla entonces se rechaza la H0 y se acepta
la HA , eso significa que las variables IFi, HUi y PPi
tomadas en conjunto explican las variaciones de la variable
Yi
Ejemplo
4) El modelo estimado es:
I = -3.359613 + 0.00029 IF+ 2.312936 HU + 1.752474 PP
5) Hallar la probabilidad de que una familia tenga una PC en su
hogar si su ingreso es 3000 HU=1 y PP=1
I = -3.359613 + 0.00029(3000)+ 2.312936(1)+ 1.752474(1)
I = 1.575797 => P= 0.9418, es decir hay una probabilidad del
94.30% de que tengan una PC en su hogar
6) ¿Qué significa B2 / B3 ? => 2.312936/ 1.752474 = 1.3198,
eso significa que el efecto de B2 es 1.3198 veces que el efecto de
B3 sobre la variable Y, es decir HU es mas importante que PP en
la explicación de la probabilidad de tener una PC en su hogar
7) Probar la significancia total del modelo probit estimado para
5% de significación
Otro ejemplo
El modelo estimado para N=36:
Ii = -7.4523+1.6258GPA+0.0517TUCE+1.4263 PSI
El modelo trata sobre la calificación final de un estudiante
sobre Microeconomía intermedia
Donde la variable dependiente es:
Yi => 1(si la calificación final en Microeconomía intermedia fue A)
0 (Si la calificación final en Microeconomía fue B o C)
TUCE: calificación de un examen de entrada en Microeconomía
básica
GPA: Promedio de puntos de calificación inicial
Psi: 1( Con el nuevo método de enseñanza)
0(En caso contrario)
1) hallar la probabilidad de obtener la calificación A para un
alumno que tiene: TUCE: 16; GPA= 3.85; PSI: 1
Ii = -7.4523+1.6258GPA+0.0517TUCE+1.4263 PSI
Ii = -7.4523+1.6258(3.85)+0.0517(16)+1.4263 (1)
Ii = 1.06053=>P = 0.8554 = 85.54%
Los modelos MPL, logit y Probit
1) Aunque los modelos logit y probit son similares, no son
directamente comparables
2) Si se multiplica el coeficiente Probit por aproximadamente
1.81, se obtendrá aproximadamente el coeficiente logit:
3) Así: El coeficiente Probit de HU= 2.312936=>el
coeficiente logit de HU = 2.312936(1.81)= 4.186414
4) De manera alternativa, si se multiplica un coeficiente logit
por 0.5525 se tendrá el coeficiente Probit
Así: El coeficiente logit de PP=3.170859 => el
coeficiente probit de PP= 3.170859(0.5525)=1.751899
6) Anemiya tambien demostró que los coeficiente de los
modelos MPL y logit están relacionados de la siguiente
forma:
7) BMPL = 0.25 Blogit(Para cualquier parámetro de pendiente)
8) BMPL = 0.25 Blogit + 0.25 (para la intersección )