SESIÓN 3: MODELO DE ELECCIÓN DISCRETA

BINARIA
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Objetivos de la Sesión

• Aprender acerca de estimación de modelo con variable de respuesta

dicotómica, como el modelo logístico, y el probit.
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

• Modelos de Elección Discreta para Variables Dicotómicas

• Modelo de Probabilidad Lineal
• Modelo de Probabilidad No Lineal
• Post Estimación
• Análisis de probabilidades y cambios marginales
• Interpretación Estructural
• Aplicación práctica
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelos de Elección Discreta

EJEMPLOS
• Participación en el mercado de trabajo:
• Una variable es discreta
cuando está formada por un 0 -> “no”
número finito de alternativas binomiales
que miden cualidades. 1 -> “si”
• Opinión sobre cierto tipo de legislación:

MODELOS DE ELECCIÓN DISCRETA 0 -> “totalmente opuesto”

• Se analizará modelos de 1 -> “opuesto”

probabilidad. multinomiales
2 -> “indiferente”
• Se puede dividir estos modelos 3 -> “a favor”
entre
4 -> “totalmente a favor”

Binomiales Multinomiales
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelos de Elección Discreta para Variables Dicotómicas

• Los tipos de modelos de regresión de elección discreta

para variables dicótomas pueden existir son los siguientes:

TIPOS DE MODELO TIPO DE FUNCIÓN

Modelo lineal de probabilidad Función lineal

Modelo Logit Función logística
Modelo Probit Función normal
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

• Modelos de Elección Discreta para Variables Dicotómicas

• Modelo de Probabilidad Lineal
• Modelo de Probabilidad No Lineal
• Estimación y Análisis
• Modelo Logístico (Logit)
• Modelo Probabilístico (Probit)
• Análisis de probabilidades y cambios marginales
• Interpretación Estructural
• Aplicación práctica
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelos de probabilidad lineal

• v𝑎𝑟 (𝜇𝑖 /𝑥𝑖 ) = 𝑃𝑖 1 − 𝑃𝑖 → ℎ𝑒𝑡𝑒𝑟𝑜𝑠𝑒𝑑á𝑠𝑡𝑖𝑐𝑎

• Consideremos el siguiente modelo:
• No se puede asegurar que las
𝑦𝑖 = 𝛽1 + 𝛽2 𝑥𝑖 + 𝜇𝑖 predicciones de este modelo parezcan
verdaderas probabilidades.

Y= 1 : sucede el evento • No se puede restringir el valor de 𝛽 en el

Y = 0 : no sucede el evento intervalo [0.1]

𝑦𝑖
𝐸 ൗ𝑥𝑖 = 𝛽1 + 𝛽2 𝑥𝑖
0 ≤ 𝑃𝑖 ≤ 1
• 𝑦𝑖 , 𝜇𝑖 probabilidad de Bernoulli.
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

• Modelos de Elección Discreta para Variables Dicotómicas

• Modelo de Probabilidad Lineal
• Modelo de Probabilidad No Lineal
• Estimación y Análisis
• Modelo Logístico (Logit)
• Modelo Probabilístico (Probit)
• Análisis de probabilidades y cambios marginales
• Interpretación Estructural
• Aplicación práctica
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

ESTIMACIÓN Y ANÁLISIS

• Método de máxima verosimilitud.

• Cada observación se considera como realización

individual de una variable aleatoria con distribución
Bernoulli (es decir, binomial n=1)
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelo Logit

• Lo que queremos es un modelo que • Problema de estimación: Pi es no lineal -> MCO

proporcione predicciones consistentes.
• Pi puede linealizarse.

• Usando la distribución logística:

𝑒 𝑍𝑖
𝑝𝑟𝑜𝑏 𝑦 = 1 = = Λ 𝑧 1 𝑃𝑖 1 + 𝑒 𝑍𝑖
1 + 𝑒 𝑍𝑖 1 − 𝑃𝑖 = = = 𝑒 𝑍𝑖
1 + 𝑒 𝑍𝑖 1 − 𝑃𝑖 1+ 𝑒 − 𝑍 𝑖

Donde 𝑍𝑖 = 𝛽1 + 𝛽2 𝑥𝑖

• La distribución logística la representaremos Razón de probabilidades

como Λ (𝑧). Este modelo se denomina modelo
logit.
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelo Logit

• Y ahora tomando logaritmo natural

𝑃𝑖
𝐿𝑖 = ln = 𝑍𝑖 = 𝛽1 + 𝛽2 𝑥𝑖
1 − 𝑃𝑖

• L, el logaritmo de la razón de las probabilidades, no es sólo lineal en X, sino también (desde

el punto de vista de estimación) lineal en los parámetros. L = logit.
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelo Logit

• Para regresionar un modelo logit en STATA, es necesario el siguiente comando:

logit depvar [indepvar] [if] [in] [weigth] [, options]

• logit se ajusta a un modelo para una respuesta binaria por máxima verosimilitud;
modela la probabilidad de un resultado positivo dado un conjunto de regresores.
• Depvar es la variable dependiente binomial
• Indepvar son las variables independientes
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelo Probit

• La sintaxis de un comando de probit en STATA es la

• Función de distribución acumulada de la normal
siguiente:
estándar, dando lugar al modelo Probit.
probit depvar [indepvars] [if] [in] [weight] [, options]
• Entonces, tomando la distribución normal
𝑧 • Se ajusta a un modelo probit de máxima probabilidad.
𝑃𝑟𝑜𝑏 𝑦 = 1 = න ∅ 𝑡 𝑑𝑡 = ∅(𝑧)
−∞ • Si la estimación es por datos agrupados, entonces

• Los modelo de distribución normal estándar se consulte el comando bprobit

representa habitualmente como ∅(. ). • Los coeficientes estimados son consistentes por β/σ
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

Modelo Probit

Un Odds es un concepto
• Por lo cual para hallar su verdadero efecto que expresa el ratio de
marginal, hay que realizar Odds ratio, con el probabilidad de que un
comando mfx. suceso ocurra frente a
que no ocurra.

mfx Muestra las derivadas parciales

evaluadas en el centro de
gravedad de la distribución
mfx , at(sex=1, income=2000) Muestra las derivadas parciales
calculadas en el punto
indicado
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

• Modelos de Elección Discreta para Variables Dicotómicas

• Modelo de Probabilidad Lineal
• Modelo de Probabilidad No Lineal
• Estimación y Análisis
• Modelo Logístico (Logit)
• Modelo Probabilístico (Probit)
• Análisis de probabilidades y cambios marginales
• Interpretación Estructural
• Aplicación práctica
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA
Efecto marginal de un cambio unitario en el valor de una regresora sobre los diversos modelos de regresión

MLP El coeficiente de la pendiente mide directamente el cambio en la

probabilidad de que ocurra un evento, como resultado de una
unidad de cambio en el valor de la regresora, con un efecto
constante de todas las demás variables.

El coeficiente de la pendiente de una variable indica el cambio en

el logaritmo de las posibilidades en favor de que ocurra un evento
Modelo logit asociadas a una unidad de cambio en esa variable, con todas las
demás variables constantes.
La tasa de cambio en la probabilidad de que ocurra un suceso está
dada por βjPi (1 − Pi).

La tasa de cambio de la probabilidad es un tanto complicada y

Modelo probit
está dada por βjƒ(Zi), donde f(Zi) es la función de densidad de la
variable normal estandarizada y Zi β1 + β2X2i + · · · + βkXki.
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

• Modelos de Elección Discreta para Variables Dicotómicas

• Modelo de Probabilidad Lineal
• Modelo de Probabilidad No Lineal
• Estimación y Análisis
• Modelo Logístico (Logit)
• Modelo Probabilístico (Probit)
• Análisis de probabilidades y cambios marginales
• Interpretación Estructural
• Aplicación práctica
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA
Interpretación Estructural

PRIMER ENFOQUE

Se trata de modelizar una variable índice, inobservable o latente 𝐼𝐼∗

• Existen dos enfoques:
1, 𝑠𝑖 𝐼𝐼∗ > 0 𝑙𝑜 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑒 𝑐𝑢𝑎𝑛𝑑𝑜 𝑥𝑖 𝛽 + 𝜀𝑖 > 0
𝑦𝑖 = ቊ
0, 𝑠𝑖 𝐼𝐼∗ < 0 𝑙𝑜 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑒 𝑐𝑢𝑎𝑛𝑑𝑜 𝑥𝑖 𝛽 + 𝜀𝑖 < 0
1. Modelización de
una variable
latente a través Donde el supuesto sobre la distribución de 𝜀𝑖 determina el tipo de
de una función modelo a estimar:
índice.  Si se supone una función de distribución uniforme -> MLP.
 Si se distribuye como una normal con media cero y varianza uno ->
Probit.
2. Teoría de la
utilidad aleatoria.  Si se supone que se distribuye como una curva logística -> Logit.

Bajo este enfoque el modelo quedaría definido por:

𝑃𝑖 = 𝑝𝑟𝑜𝑏𝑎 𝑦𝑖 = 1 = 𝑝𝑟𝑜𝑏 𝐼𝑖∗ > 0 = 𝑝𝑟𝑜𝑏 (𝑥𝑖 𝛽 + 𝜀𝑖 > 0) = 𝐹(𝑥𝑖 𝛽)

 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

• Modelos de Elección Discreta para Variables Dicotómicas

• Modelo de Probabilidad Lineal
• Modelo de Probabilidad No Lineal
• Estimación y Análisis
• Modelo Logístico (Logit)
• Modelo Probabilístico (Probit)
• Análisis de probabilidades y cambios marginales
• Interpretación Estructural
• Aplicación práctica
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA
Aplicación práctica

 Con la base de datos coke.dta vamos a realizar una regresión de probabilidad lineal, probit y
logit con las variables que se tiene.
1° Modelo probabilidad lineal
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

2° Realizando la
regresión probit:
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

3° Realizando la
regresión logit:
 SESIÓN 3: MODELO DE ELECCIÓN DISCRETA
BINARIA

A tener en Cuenta:

Banco de Preguntas (Obligatorio):

• Debe resolver de forma aprobatoria el banco de preguntas de cada clase
para pasar a la siguiente sesión.

Tarea (Obligatorio)
• Se debe obtener una nota satisfactoria en los trabajos prácticos de cada
sesión, a fin de pasar a la siguiente.

Foro (Obligatorio):
• En el foro del curso se comparten tips y experiencias acerca del curso. Realizar
como mínimo 5 preguntas o comentarios.