Академический Документы
Профессиональный Документы
Культура Документы
P
FDA
-∞ 0 ∞ X
3) Deducción del modelo Logit
Pi = 1/ (1+ e-z )
pi ( 1+e-z) = 1
Pi + Pi e-z = 1
Pi e-z = 1- Pi
e-z = 1- Pi / Pi
Hallando la inversa en ambos miembros de la ecuación:
ez = Pi / 1-Pi
Tomando logaritmos neperianos en ambos miembros
de la ecuación:
Ln ez = Ln(Pi / 1-Pi) =>Z = Ln (Pi / 1-Pi)
Li = Ln (Pi / 1-Pi)= B1 + B2 X2i + B3 X3i+ . . . + ui
Li (se denomina logit)
Interpretación del modelo logit
En el modelo logit: Ln(Pi / 1-Pi)= B0 + B1 X1i + ui
1) Ln(Pi / 1-Pi) : es el logaritmo de la razón de probabilidades
2) B0: es el valor que toma, Ln(Pi / 1-Pi) cuando X1i = 0
3) Interpretación de B1:
∂ Ln(Pi / 1-Pi)/ ∂Xi = B1
∆ Ln(Pi / 1-Pi)/ ∆Xi = B1
∆ Ln(Pi / 1-Pi)= B1 ∆Xi
Si ∆Xi =1 => ∆ Ln(Pi / 1-Pi)= B1
B1 mide el cambio en Ln(Pi / 1-Pi), ocasionado por un
cambio unitario en X1
4) Pero: ∆ Ln(Pi / 1-Pi)= ∆Pi / Pi (1 – Pi) = B1
5) => ∆P = B1 Pi (1-Pi)
La ratio P/1-P
1)Se llama ratio de probabilidades al cociente entre
la probabilidad de que ocurra un hecho, o de que
se elija la opción 1, frente a la probabilidad de
que no suceda el fenómeno, o de que se elija la
opción 0
2)Su interpretación es la “ventaja” o preferencia de
la opción 1 frente a la 0, es decir, el número de
veces que es más probable que ocurra el
fenómeno frente a que no ocurra.
3) El interés de esta medida adquiere sentido cuando se
comparan las ventajas para distintos valores de la
variable explicativa, calculándose el cociente entre
odds. Así, si
se compara la situación de la observación “i” con la de
la observación “j” (que suele ser la de referencia) El cociente
entre ODDS mide cuanto mas es mas probable que
se de la alternativa 1 en “i” que en “j”
.
4) Si el valor obtenido es mayor a la unidad, la
probabilidad de ocurra la alternativa 1 en la
observación “i” es mayor que en la observación “j”,
mientras que si el valor obtenido es inferior a uno, la
probabilidad de ocurrencia de la alternativa 1 es
superior en la observación “j” que en la “i”. Si el
valor obtenido es igual a la unidad significa que las
probabilidades en ambas observaciones son
iguales.
Ejemplo
Para el ejemplo de la propiedad de la vivienda para datos
agrupados:
¿Cuánto mas es mas probable que las familias que ganan
30000 tengan casa propia que las familias que ganan 25000?
Solución
1) para x=25000 => Pj /1-Pj = 1.50
2) Para: x= 30000=> pi /1-pi = 1.94
3) Pi /1-Pi / Pj / 1-Pj = 1.94/ 1.50= 1.29
1.29 es mas probable que tengan casa propia las familias que
ganan 30000 que las que ganan 25000
Estimación del modelo logit
I. Estimación del modelo logit con información
dada en forma agrupada
II. Estimación del modelo logit con información
dada en forma individual
Estimación del modelo logit con
información dada en forma agrupada
a. En este caso el modelo logit se estima por el método de
MCO, se agrupa la información porque viene en forma
repetida, por ello es necesario agruparlo
b. El procedimiento de estimación es el siguiente:
Primero se calculan las frecuencias relativas(pi)
correspondientes a cada Xi
pi = ni / Ni
Ni = # de individuos con atributo Xi
ni = # de individuos con atributo Xi que tienen respuesta si
pi = frecuencia relativa
Luego se calculan los logit Li para cada grupo
y se estima el modelo logit:
Ln(Pi / 1-Pi)= B0 + B1 X1i + ui
Pero en este modelo ui tiene varianza
heteroscedastica por ello es necesario corregir
dicha heteroscedasticidad,
Ui para grandes muestras tiene una distribución
normal con media 0 y varianza [ 1/ Ni Pi (1-Pi)]
es decir: µi ~ N [ 0, 1/ Ni Pi (1-Pi )]
=>Var(ui )= [ 1/ Ni Pi (1-Pi)]
Para remediar la heteroscedasticidad en el modelo logit
cuando se estima el modelo por el método MCO se
tiene que dividir el modelo original entre la raíz
cuadrada de la varianza de ui
Como: σ2 = [ 1/ Ni Pi (1-Pi)] => σ = √ [ 1/ Ni Pi (1-Pi)]
= √1/ √ [ Ni Pi (1-Pi)] = 1 / √ [ Ni Pi (1-Pi)]
Si : Ni Pi (1-Pi) = wi =>σ = 1/ √ wi
Modelo logit con heteroscedasticidad :
Li = Ln(Pi / 1-Pi)= B0 + B1 X1i + ui
Corrigiendo la heteroscedasticidad
Li/ (1/√w) = B0 / (1/√w) + B1X1i / 1/√w + ui / (1/√w)
=> el modelo logit corregido de
heteroscedasticidad es:
Li √ wi = B0 √ wi + B1 X1i√ wi + vi
Ejemplo de aplicación
Se cuenta con la siguiente información: Xi= Ingreso familiar
en miles de $), Ni= #de familias con ingreso Xi ; ni= # de
familias con ingreso Xi que poseen casa propia
Xi Ni ni
6 40 8
8 50 12
10 60 18
13 80 28
15 100 45
20 70 36
25 65 39
30 50 33
35 40 30
40 25 20
X N n p 1-p p/1-p