El modelo Probit

1) Supongamos que en el caso de la propiedad de vivienda, la

decisión de la i-esima familia de poseer una casa o de no
poseerla depende de un Índice de conveniencia(Ii ),
2) Este índice de conveniencia ( Ii ) nos indica la capacidad, la
ventaja, el deseo de poseer casa propia
3) Este índice de conveniencia ( Ii ) esta determinado por una
o varias atributos de la i-esima familia, ( en este caso estos
atributos o variables pueden ser; ingreso familiar, trabajo
estable, numero de hijos, precio del alquiler de la vivienda,
etc), mientras mayor sea el valor del índice de conveniencia
(Ii ), mayor será la probabilidad de que la familia posea
vivienda
4)=> podemos expresar dicha relación así:
Ii = B1 + B2 X1i + B1 X2i + B2 X + …+ µI
5) Es razonable suponer que para cada familia hay un nivel
critico o umbral del índice ( I*i ) tal que si el índice de
conveniencia de la familia es superior o igual al índice
umbral tendrá casa propia y si es menor no tendrá casa
propia o sea:
Si: Ii ≥ I*i => la familia poseerá una casa, o sea Yi = 1

Si: Ii < I*i => la familia no poseerá una casa, o sea Yi = 0

  1  Ii  Z 2 / 2
F (Ii )    e dz
 2 
8) Pi es la probabilidad de que ocurra un evento, en este caso la
probabilidad de poseer una casa, esta se mide por el área de
curva normal estándar de -∞ a Ii. Dado Ii se lee Pi
1

-∞ 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 )