TEORÍA ECONOMÉTRICA II
APLICACIÓN DE MODELOS DE REPUESTA DICOTOMICA: LOGIT Y
PROBIT
Caso de la pobreza en el Ecuador para el año 2018
Autores: Edwin Barros, Angel Campoverde y Juan Sisalima
RESUMEN
En el trabajo se presenta un análisis de la
aplicación de los modelos Logit y Probit a
los determinantes de la pobreza en el
Ecuador para el año 2018, para ello se
utilizan los datos de la encuesta ENENDU
elaborada por el INEC. Para el caso
analizado la variable cualitativa dependiente
es dicotómica discreta. Se examina variables
sociales, demográficas y económicas que
pueden poseer las personas, en el caso de
estudio se escogió 13382 personas jefes de
hogar que respondieron la encuesta
realizada por el INEC y que permitieron
calcular la probabilidad de “ser pobre” o “no
pobre” por medio de los dos modelos de
respuesta binaria más utilizados como lo son
el modelo Logit y el Probit al final se
determinará el de mejor especificación. El
análisis de los resultados de este artículo
muestra que la pobreza se relaciona con los
ingresos que obtienen los jefes de hogar y
que sus determinantes como educación, años
de educación, estado civil, género, etnia, etc
contribuyen a la disminución de la
probabilidad de estar en condición de
pobreza.
Palabras clave: modelos de respuesta
binaria, pobreza, Logit, Probit, variable
1.- INTRODUCCIÓN
La pobreza actualmente es un problema
social persistente en la actualidad. Algunos
autores la definen como:
“La pobreza es una condición en la cual una
o más personas tienen un nivel de bienestar
inferior al mínimo socialmente aceptado”
(Pucutay, 2002)
“La pobreza es sinónimo de carencia y
privación, que limita a una persona para
alcanzar un mínimo nivel de vida” (EL
COMERCIO, 2018)
En este contexto, la pobreza se puede definir
como la situación económica social causada
por la carencia o privación de al individuo
para alcanzar un mínimo nivel de vida.
Antecedentes
En Ecuador se han realizado estudios de
pobreza, sin embargo hay un retraso en la
utilización de modelos econométricos para
analizar las variables cualitativas. Por ello se
usó un modelo aplicado en Perú elaborado
por Frank Pucutay para el Centro de
Investigaciones y Desarrollo del INEI.
El estudio citado utiliza el modelo Logit y
Probit para evaluar un modelo de respuesta
dicotómica basado en 1 “Pobre” y 0 “No
pobre”.
Objetivo
Analizar la pobreza en el Ecuador utilizando
modelos Logit y Probit al aplicar el modelo
de respuesta dicotómica para obtener de
manera más efectiva el comportamiento de
los determinantes que son causantes de la
pobreza.
Justificación
El presente trabajo de investigación busca
analizar la pobreza en Ecuador utilizando
modelos de repuesta dicotómica; para su
análisis se utilizará los modelos Logit y
Probit.
Para la explicación del modelo se usaron las
siguientes variables:
1
Tabla
Contains 1 Descripción
data de& Probit.dta
from Base de Logit Variables y con ello facilita el análisis de
obs: 16,732
vars: 12 13 Oct 2018 21:44
observaciones microeconómicas.
size: 1,338,560

storage display value

Según la literatura revisada los modelos
variable name type format label variable label Probit son más usados por cuanto permiten
Área double %10.0g area Área
la inclusión de variable dependiente
Género double %10.0g p02 Género continua o a su vez ajustar el error por la
Edad double %10.0g p03 Edad
Seguro_Social double %35.0g p05a Seguro Social autoselección.
Estado_Civil double %13.0g p06 Estado Civil
Categoría_ocu~n double %46.0g p42 Categoría de ocupación
Experiencia_L~l double %10.0g p45 Experiencia Laboral Sin embargo los modelos Logit presentan
pobreza double %10.0g pobreza Pobreza
Nivel_instruc~n float %16.0g VAR01 Nivel de instrucción
ventajas al momento de analizar muestras
Años_Aprobados float %34.0g VAR02 Años Aprobados grandes ya que los Probit por su forma
Tipo_Etnia float %15.0g VAR03 Tipo de Etnia
Ingresos_Tota~s float %12.0g VAR11 Ingresos Totales
funcional dejan fuera ciertas observaciones
por ser inusuales.
Sorted by:
Elaboración: Los autores
Note: Dataset has changed since last saved.
Fuente: INEC 2018
Modelo Logit
.

La aplicación de los modelos Logit y Probit
en el análisis de variables cualitativas facilita
la comprensión de los determinantes de la
pobreza en el Ecuador.
El presente trabajo está dividido en 4
secciones la primera una breve descripción
teórica de la pobreza, la metodología
utilizada en la investigación, la tercera es los
resultados obtenidos y la última las
conclusiones que se han logrado con el
análisis de los resultados.
Modelos de Respuesta Dicotómica
Los modelos de respuesta binaria son
utilizados para el análisis de datos
cualitativos o respuestas discretas se
caracterizan por analizar una variable
dependiente que indica en cual categoría
mutua la respuesta de interés cae
(CAMERON, 2005). Los modelos de
respuesta dicotómica no pierden generalidad
al usar valores de 1 o 0 si estos se expresan
en forma de probabilidad de la respuesta.
La estimación de los modelos de respuesta
dicotómica se realiza a través de Logit y
Probit, los mismos que se diferencian por la
forma funcional de la probabilidad para la
media condicional que se estima por MCO.
(CAMERON, 2005). Además estos modelos
permiten la interpretación y análisis del
comportamiento de los agentes económicos
Este modelo de respuesta binaria, tiene como
función de densidad conjunta la siguiente
expresión:
𝑒 (𝛽1 +𝛽2𝑋𝐼)
𝐿𝑜𝑔𝑖𝑡 =
1 + 𝑒 (𝛽1 +𝛽2 𝑋𝐼)
La variable dependiente del modelo de
respuesta binaria tiene una función tipo
Bernulli a ser: 𝑓(𝑦𝑖 |𝑥𝑖 ) = 𝑝𝑖 𝑦𝑖 (1 − 𝑝𝑖 )1−𝑦𝑖 ,
en donde los coeficientes de regresión se
obtienen mediante una regresión de Máxima
Verosimilitud, la cual cuenta con sus
propiedades en muestras grandes, ya que
dichos estimadores maximizan la
verosimilitud.
Estimados los coeficientes de la regresión es
importante fijarse en los signos de estos,
pues explican la naturaleza de las variables
independientes, de hecho “Debe notarse
que, sin embargo, en los modelos con
regresada binaria, la bondad del ajuste tiene
una importancia secundaria. Lo que interesa
son los signos esperados de los coeficientes
de la regresión y su importancia práctica y/o
estadística.” (GUJARATI, 2010)
Modelo Probit
Este modelo también se trata de un modelo
de respuesta binaria y la teoría alrededor de
este varía en la forma funcional ya que no
sigue una función de densidad acumulada de

2
manera Logística, sino la función de
densidad acumulada de una distribución
normal. (CAMERON, 2005)
𝛽´𝑥
1 −(𝑦i −𝛽1 −𝑋𝐼 )2
𝑃𝑟𝑜𝑏𝑖𝑡 = ∫ 𝑒 2𝜎
√2𝜋𝜎 2
−∞
El modelo Probit al igual que el Logit es un
modelo de respuesta binaria con la variable
dependiente tipo Bernoulli: 𝑓(𝑦𝑖 |𝑥𝑖 ) =
𝑝𝑖 𝑦𝑖 (1 − 𝑝𝑖 )1−𝑦𝑖 y siendo también estimada
mediante Máxima Verosimilitud.
El proceso es muy similar y las
influyen las variables independientes en la
explicación de la pobreza en el Ecuador.
En primera instancia se analiza la
información a través del modelo Logit, con
𝑑𝑡, el fin de determinar los coeficientes y las
relaciones marginales de las variables con el
problema de la pobreza en el Ecuador.
Luego de ello se analiza los datos con el
modelo Probit, la finalidad es comparar los
Iteration 0: log likelihood = -6124.4889
resultados de los dos modelos sin perder la
Iteration 1: log likelihood = -4692.3099
interpretación económica
Iteration 2: log likelihood = -4383.9642del problema que
se busca explicar en= -4366.7071
Iteration 3: log likelihood este trabajo.
Iteration 4: log likelihood = -4366.5875
Iteration 5: log likelihood = -4366.5875

interpretaciones de los coeficientes tampoco 3.- RESULTADOS

Logistic regression Number of obs = 13,382
se lo puede hacer directamente por ello se LR chi2(11) = 3515.80
3.1.-Modelo Logit
utiliza los efectos marginales. En cuanto a Prob > chi2 = 0.0000
Log likelihood = -4366.5875 Pseudo R2 = 0.2870
las pruebas de Hipótesis poder predictivo y Tabla 2 Regresión Logit
demás análisis del modelo es muy similar al
pobreza Coef. Std. Err. z P>|z| [95% Conf. Interval]
Logit. En este modelo no se puede utilizar el
Odds Ratio. Género -.5171544 .0678771 -7.62 0.000 -.6501911 -.3841177
Edad -.0380596 .0025851 -14.72 0.000 -.0431263 -.0329928
Seguro_Social .0411094 .0081053 5.07 0.000 .0252234 .0569954
El modelo Logit es el modelo natural como Estado_Civil -.0293046 .0143166 -2.05 0.041 -.0573646 -.0012447
el enlace canónico para la distribución Categoría_ocupación .1813784 .0186492 9.73 0.000 .1448266 .2179302
Experiencia_Laboral .0105738 .0021589 4.90 0.000 .0063423 .0148052
binomial mientras que el modelo Probit tiene
Nivel_instrucción -.3779259 .0443901 -8.51 0.000 -.464929 -.2909228
la atracción de ser o motiva la aleatorización Años_Aprobados -.048709 .0206369 -2.36 0.018 -.0891566 -.0082614
de las variables y se extiende hasta los Tipo_Etnia -.1208023 .0159393 -7.58 0.000 -.1520428 -.0895617
Ingresos_Totales 2.455573 .083162 29.53 0.000 2.292579 2.618568
modelos Tobit. (CAMERON, 2005) Área .7668737 .0617425 12.42 0.000 .6458608 .8878867
_cons -1.50624 .2979263 -5.06 0.000 -2.090164 -.9223147
2.- METODOLOGÍA
Elaboración: Los autores
Fuente: INEC 2018
Los datos que se usaron en el presente
documento, son de la encuesta ENENDU
De los resultados se puede ver que las
elaborado por el INEC, la encuesta está
variables con signo negativo son: Género,
encaminada “visualizar el perfil social,
Edad, Estado Civil, Nivel de Instrucción,
demográfico y económico de la población
Años aprobados, Tipo de Etnia, y la
total, en edad de trabajar, ocupada,
Constante, por lo cual afectan en forma
desocupada, inactiva y del subempleo en el
inversa a la probabilidad de que el Jefe de
área urbana y rural…, a través de variables
Hogar pueda ser pobre o no, en cambio las
de carácter general como: sexo, edad,…,
demás variables a ser: Seguro Social,
nivel de instrucción, asistencia escolar,
Categoría de Ocupación, Experiencia
afiliación al seguro social, entre otros.”
Laboral, Ingresos Totales, Área con signo
(INEC, 2018)
positivo afectan de manera directa con la
De esta encuesta se extrajo una muestra de probabilidad de que el Jefe de Hogar pueda
13382 observaciones, que tenía la categoría ser pobre o no.
común de ser jefes de hogar y se le relacionó
La constante indica que aun cuando todos los
contra los ingresos; la edad el sexo, la etnia,
coeficientes sean cero, la probabilidad de
nivel de instrucción, si era afiliado al IESS,
que el jefe de hogar sea pobre es negativa, el
etc; el objetivo es relacionar en cuanto

3
cual es un resultado interesante, un ejemplo
en el que la varibles afecte en forma negativa
la condición de pobreza es el Nivel de
Instrucción ya que mientras más alto sea el
nivel de instrucción es inverso a la
probabilidad de ser pobre. En cuanto a las
variables con signo positivo por ejemplo
tomando la variable Ingreso Laboral esta
de los coeficientes del modelo y b) la
interpretación de los efectos marginales.
Como alternativa para esta investigación se
computó el valor de los efectos marginales
lo cuales se presentan en la tabla 2 que se
detalla a continuación:
Ingresos_Totales Área

tiene que ver directamente con la Tabla 3 Modelo Logit Efectos Marginales
Delta-method
probabilidad que el Jefe de Hogar sea pobre dy/dx Std. Err. z P>|z| [95% Conf. Interval]
o no; ya que, depende directamente de sus Género -.0538768 .0069996 -7.70 0.000 -.0675957 -.0401579
ingresos, y se puede dar el mismo tipo de Edad -.003965 .0002588 -15.32 0.000 -.0044722 -.0034578
Seguro_Social .0042828 .000842 5.09 0.000 .0026324 .0059331
interpretación en cuanto al signo a las demás Estado_Civil -.0030529 .0014902 -2.05 0.040 -.0059736 -.0001323
Categoría_ocupación .0188959 .0019184 9.85 0.000 .015136 .0226558
variables. Experiencia_Laboral .0011016 .0002239 4.92 0.000 .0006628 .0015403
Nivel_instrucción -.0393721 .0045884 -8.58 0.000 -.0483651 -.030379
Años_Aprobados -.0050745 .002149 -2.36 0.018 -.0092864 -.0008626
Adicional al contrastar la significancia de los Tipo_Etnia -.0125851 .0016379 -7.68 0.000 -.0157954 -.0093748
Ingresos_Totales .25582 .0078958 32.40 0.000 .2403446 .2712955
parámetros individualmete se puede apreciar Área .0798924 .006258 12.77 0.000 .067627 .0921578
que con un nivel de significancia del 5% no
existe evidencia estadística suficiente para Elaboración: Los autores
Fuente: INEC 2018
aceptar la Hipótesis Nula de que
individualmente dichos regresores son Para explicar los efectos marginales de se
iguales a cero, por lo que se acepta la tomó como referencia Ingreso Total, el cual
alternativa y se dice que todos los si sube en uno por ciento la probabilidad
parámetros son significativos. marginal de salir de “Pobre” a “No pobre” es
del 25,55% es decir que si el salario sube por
En cuanto a la bondad de ajuste del modelo
encima del salario básico hay más
con respuesta binaria se observa el Pseudo R
posibilidad de salir de la pobreza, las demás
Cuadrado el cual mide para este tipo de
variables se interpretarían de manera similar.
regresiones de variable siendo en este caso
Con lo cual se confirma que salir de la
del 28.7%, es decir el modelo se ajusta a los
condición de pobreza está en función de los
datos en este porcentaje. Aunque este valor
ingresos que recibe el sujeto económico; sin
es bastante bajo no se debe tomar como un
embargo, a pesar que la educación, género,
problema ya que esto ocurre muy
edad y estado civil disminuyen la pobreza no
frecuentemente, adicional como cita
aportan significativamente a solucionar el
Wooldridge, (2010) “Por tanto, se puede
problema, sí se revisa la teoría de Solow
calcular una pseudo R-cuadrada para Probit
acerca del desarrollo económico se puede
y Logit que sea directamente comparable
indicar que la educación es uno de los pilares
con la R-cuadrada usual a partir de la
fundamentales para el ingreso que reciben
estimación de un modelo de probabilidad
los agentes económicos.
lineal. En cualquier caso, la bondad de ajuste
suele ser menos importante que intentar En el Ecuador, su división presenta grandes
obtener estimaciones convincentes de los diferencias al momento de evaluar la
efectos ceteris paribus de las variables pobreza, en el estudio una variable que juega
explicativas.” (p. 582). un papel vital en determinar si es “Pobre” o
“No Pobre” es cambiar de área o lugar de
Efectos marginales residencia incrementa la posibilidad de no
Como se explicó en la parte teórica, los ser pobre un casi 7,99%, y más si se cambia
coeficientes del modelo Logit no pueden ser de una zona rural a una Urbana.
interpretados por ello existen dos
alternativas: a) la verificación de los signos

4
 Estado_Civil =
2.864594 (mean)
Categoría_~n = 4.333433 (mean)
Experienci~l = 18.60454 (mean)
Nivel_inst~n = 2.848902 (mean)
Predictive margins Number of obs = 13,382 Años_Aprob~s = 3.385069 (mean)
Model VCE : OIM
Tipo_Etnia = 5.461814 (mean)
Ingresos_T~s = .4670453 (mean)
Expression : Pr(pobreza), predict()
Tabla 4 Efectos Marginales Promedio Tabla 6 Efectos
Área =Marginales
Individuales y
1.392467 (mean)
Promedio (Condicionados en media)
Delta-method
Margin Std. Err. z P>|z| [95% Conf. Interval] Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
_cons .1711254 .0027902 61.33 0.000 .1656568 .176594
Género -.0353917 .0047159 -7.50 0.000 -.0446347 -.0261487
Elaboración: Los autores Edad -.0026046 .0001896 -13.74 0.000 -.0029762 -.0022331
Fuente: INEC 2018 Seguro_Social .0028133 .0005496 5.12 0.000 .0017362 .0038905
Estado_Civil -.0020055 .0009825 -2.04 0.041 -.0039311 -.0000799
En la tabla anterior los Efectos Marginales Categoría_ocupación .0124127 .0012578 9.87 0.000 .0099475 .0148779
Promedio, es decir cuál es la probabilidad de Experiencia_Laboral .0007236 .0001504 4.81 0.000 .0004289 .0010184
Nivel_instrucción -.0258635 .0029265 -8.84 0.000 -.0315993 -.0201278
ser pobre luego de parametrizar todos los Años_Aprobados -.0033334 .0014067 -2.37 0.018 -.0060906 -.0005763
coeficientes, se computó el promedio de los Tipo_Etnia -.0082672 .001142 -7.24 0.000 -.0105054 -.0060289
parámetros siendo esto como una Ingresos_Totales .1680482 .0059258 28.36 0.000 .1564338 .1796626
interpretación de los Odd Ratio en promedio Área .0524813 .0044528 11.79 0.000 .043754 .0612087

para los coeficientes. El resultado se Elaboración: Los autores

interpreta que existe la probabilidad del Fuente: INEC 2018
17,11% en el que el Jefe de Hogar sea pobre
(“1”), teniendo este valor significante ya que La tabla 6 computa el efecto marginal para
es menor que el 5%, por lo que no existe las variables ya sea si se incrementa el valor
suficiente evidencia estadística como para de una variable en una unidad, y el efecto
aceptar la Hipótesis Nula de que el promedio marginal del en promedio de la variable,
parametrizado de las variables sea “0”. logrando cuantificar el efecto de cada
variable ya que dicho efecto no se lograba
Tabla 5 Efectos Marginales Promedio
Adjusted predictions Number of obs de
= las
13,382 realizar en la regresión, para ejemplificar se
Model VCE
Variables : OIM
Independientes puede decir que el efecto marginal de la
Expression : Pr(pobreza), predict() variable Ingresos Totales al obtener una
at : Género = 1.225676 (mean) unidad monetaria adicional de Ingreso afecta
Edad = 48.49073 (mean)
Seguro_Soc~l = 5.96443 (mean) negativamente en 16.8% a la probabilidad de
Estado_Civil = 2.864594 (mean) que el Jefe de Hogar sea pobre. Dicha
Iteration 0: log likelihood = -6124.4889
Categoría_~n = 4.333433 (mean)
Experienci~l = 18.60454 (mean) respuesta concordaría
Iteration 1: log likelihood = -4692.3099 con la teoría,
Iteration 2: log likelihood = -4383.9642
Nivel_inst~n = 2.848902 (mean) adicional nuevamente se
Iteration 3: log likelihood = -4366.7071
pueden ver que
Años_Aprob~s = 3.385069 (mean)
Tipo_Etnia = 5.461814 (mean)
todos loslogcoeficientes
Iteration 4: son estadísticamente
likelihood = -4366.5875
Ingresos_T~s = .4670453 (mean) Iteration 5: log likelihood = -4366.5875
significativos.
Área = 1.392467 (mean)
Logistic regression Number of obs = 13,382
Odds Ratio Logit LR chi2(11) = 3515.80
Delta-method Prob > chi2 = 0.0000
Margin Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -4366.5875 Pseudo R2 = 0.2870
Tabla 7 Odds Ratio Regresión Logit
_cons .0738961 .0032516 22.73 0.000 .067523 .0802691
pobreza Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
Elaboración: Los autores
Género .5962147 .0404693 -7.62 0.000 .521946 .6810512
Fuente: INEC 2018
Edad .9626556 .0024886 -14.72 0.000 .9577904 .9675455
Seguro_Social 1.041966 .0084454 5.07 0.000 1.025544 1.058651
En la tabla anterior se puede ver el valor de Estado_Civil .9711206 .0139031 -2.05 0.041 .9442498 .9987561
Categoría_ocupación 1.198869 .022358 9.73 0.000 1.155839 1.2435
la probabilidad de que un individuo que Experiencia_Laboral 1.01063 .0021819 4.90 0.000 1.006363 1.014915
tenga las características promedio del valor Nivel_instrucción .6852813 .0304197 -8.51 0.000 .6281797 .7475734
Años_Aprobados .9524583 .0196558 -2.36 0.018 .9147024 .9917726
de las variables independientes es del 7,39%.
Tipo_Etnia .8862092 .0141256 -7.58 0.000 .8589515 .9143318
Ingresos_Totales 11.65311 .9690963 29.53 0.000 9.900436 13.71607
Continuando el análisis se presenta el Área 2.153025 .132933 12.42 0.000 1.907628 2.429989
_cons .2217423 .0660629 -5.06 0.000 .1236668 .3975976
cálculo de los efectos marginales
individuales: Elaboración: Los autores
Fuente: INEC 2018

5
En el Odds Ratio (o antilogaritmo) se puede siendo aceptada la Hipótesis de que todos los
ver como cada uno de los regresores parámetros son distintos de cero.
incrementan porcentualmente el valor de sus
coeficientes a la probabilidad de que el Jefe Tabla 9 Test De Bondad de Ajuste de
de Hogar sea pobre, es decir en los valores Pearson o Hosmer-Lemshow
Logistic model for pobreza, goodness-of-fit test
de los coeficientes obtenidos se puede medir
que si una de las variables se incrementa en number of observations = 13382
number of covariate patterns = 13049
una unidad, ceteris paribus es probable en Pearson chi2(13037) = 13965.42
promedio que la probabilidad de la persona Prob > chi2 = 0.0000

sea pobre se incremente en el valor de Odds Elaboración: Los autores

Ratio de cada variable. Tomando como
ejemplo la variable Área se puede decir que
si se trata de una persona que vive en el
sector Rural (2) es probable en promedio que
la probabilidad de que la persona sea pobre
se vea afectada en 2.15 veces a vs que viva
en el Sector Urbano.
Los Odds ratio no tienen signo negativo,
pero para este tipo de análisis mediante los
Odss los valores menores a 1 tienen relación
inversa como se podrá contrastar con la
regresión realizada ya que todos los
coeficientes con signo negativo en la
regresión de Logit tienen un Odd Ratio
menor a 1 por lo que para darle una
interpretación exacta se debe sacar un
inverso es decir 1/(Odds Ratio de la
variable).
Pruebas de Hipótesis
Tabla 8 Test de Wald
( 1) [pobreza]Género = 0
( 2) [pobreza]Edad = 0
( 3) [pobreza]Seguro_Social = 0
( 4) [pobreza]Estado_Civil = 0
( 5) [pobreza]Categoría_ocupación = 0
( 6) [pobreza]Experiencia_Laboral = 0
( 7) [pobreza]Nivel_instrucción = 0
( 8) [pobreza]Años_Aprobados = 0
( 9) [pobreza]Tipo_Etnia = 0
(10) [pobreza]Ingresos_Totales = 0
(11) [pobreza]Área = 0
chi2( 11) = 1898.72
Prob > chi2 = 0.0000
Fuente: INEC 2018
El programa stata brinda una gran ayuda con
el Test de Bondad de Ajuste de Pearson o
Hosmer-Lemshow, en donde dicho test se
usa para modelos logísticos.Siendo la
Hipótesis Nula que no hay diferencia entre
los valores observados con los
pronosticados, y como se puede ver en la
tabla anterior se puede decir que existe la
evidencia estadística suficiente para asumir
que nuestro modelo cuenta con una buena
bondad de ajuste logístico entre los valores
observados y los pronosticados.
Como se pudo ver a lo largo de todo el
modelo partiendo desde la estimación hasta
los test el modelo se comporta de una manera
favorable (La bondad de ajuste queda en
segundo plano de acuerdo a lo mensionado
en parrafos anteriores), a continuación se
evalua el poder predictivo del modelo a
través de la bondad predictiva.
Tabla 10 Estat Classification.
True
Classified D ~D Total
+ 1790 2490 4280
- 500 8602 9102
Total 2290 11092 13382
Classified + if predicted Pr(D) >= .23
True D defined as pobreza != 0

Elaboración: Los autores Sensitivity Pr( +| D) 78.17%

Specificity Pr( -|~D) 77.55%
Fuente: INEC 2018 Positive predictive value Pr( D| +) 41.82%
Negative predictive value Pr(~D| -) 94.51%

Como bien se conoce el test de Wald False + rate for true ~D Pr( +|~D) 22.45%
contrasta la Hipótesis nula de que todos los False - rate for true D Pr( -| D) 21.83%
False + rate for classified + Pr(~D| +) 58.18%
parámetros son igual a cero, a lo cual se False - rate for classified - Pr( D| -) 5.49%

puede decir que no existe evidencia Correctly classified 77.66%

estadística suficiente para aceptar la
Hipótesis Nula por lo que se la rechaza Elaboración: Los autores
Fuente: INEC 2018

6
El cuadro anterior muestra el valor de la
sensibilidad, especificación valores
predichos pero uno de los mas interesantes
en cuanto a la bondad predictiva del modelo
como se puede observar que se ha
maximizado en punto de corte del 0,23 (Este
punto se obtiene mediante testeo hasta ver
las coordenadas de corte en el grafico que se
verá adelante) se puede decir que mediante
el comando usado de Estat clasification el
modelo en general prevee correctamente el
una curva de 45°, se puede observar que la
curva ROC se encuentra en todos los puntos
por encima de la recta de 45 grados (Curva
sin poder de predicción). Siendo en las
coordenadas 0,23 y 0,78 el punto donde se
maximiza la distancia entre la curva ROC y
la recta de 45 grados además si se mide el
área
Iterationbajo
0: log la curva
likelihood de ROC, el valor del área
= -6124.4889
Iteration 1: log likelihood = -4510.1763
de 0.8585 predice satisfactoriamente un
Iteration 2: log likelihood = -4382.0429
85,85%.
Iteration 3: log likelihood = -4380.2433
Iteration 4: log likelihood = -4380.2432

77,66% de las obervaciones. 3.2.-Modelo

Probit regression
Probit Number of obs = 13,382
LR chi2(11) = 3488.49
Figura 1 Intersección Sensivity y Especifity Tabla 11 Regresión Probit Prob > chi2 = 0.0000
Log likelihood = -4380.2432 Pseudo R2 = 0.2848

pobreza Coef. Std. Err. z P>|z| [95% Conf. Interval]

Género -.2812773 .038468 -7.31 0.000 -.3566732 -.2058813

Edad -.0206946 .0014443 -14.33 0.000 -.0235254 -.0178638
Seguro_Social .0218389 .0044911 4.86 0.000 .0130364 .0306414
Estado_Civil -.0162947 .0081311 -2.00 0.045 -.0322313 -.0003581
Categoría_ocupación .0945158 .0101641 9.30 0.000 .0745945 .1144371
Experiencia_Laboral .0060736 .0012215 4.97 0.000 .0036796 .0084676
Nivel_instrucción -.1963553 .0233188 -8.42 0.000 -.2420592 -.1506514
Años_Aprobados -.027023 .0118726 -2.28 0.023 -.0502929 -.003753
Elaboración: Los autores Tipo_Etnia -.0748488 .0092921 -8.06 0.000 -.0930609 -.0566367
Fuente: INEC 2018 Ingresos_Totales 1.278943 .039793 32.14 0.000 1.20095 1.356936
Área .4259043 .0347237 12.27 0.000 .3578471 .4939616
_cons -.7683625 .1619935 -4.74 0.000 -1.085864 -.450861
Como se puede ver el cruce entre la specifity
y sensivity se da en las coordenadas 0,23 y Elaboración: Los autores
0,78 aproximadamente (Este punto se lo Fuente: INEC 2018
toma mediante “tanteo” en el editor de
Al igual que en el modelo Logit todas las
grafico del Stata) que es el punto donde se
variables son significativas con un 95% de
maximiza la clasificación, y como se había
confianza, por lo que no existe evidencia
visto de las observaciones son correctamente
estadística suficiente para aceptar la
clasificadas el 77,66%.
Hipótesis Nula de que individualmente
Figura 2 Curva de ROC dichos regresores son iguales a cero, por lo
que se acepta la alternativa y se dice que
todos los parámetros son significativos.

En cuanto a la bondad de ajuste de la

Elaboración: Los autores
Fuente: INEC 2018
La curva de ROC permite observar la
Sensibilidad de uno menos la Especificidad,
usando el área bajo la curva, con ayuda de
regresión cuenta con el Pseudo R Cuadrado
de 28, 48 siendo muy similar al del Logit
(28.7%), por lo que la interpretación es
similar que bajo este criterio la bondad de
ajuste es baja.
Comparación Regresiones
La diferencia obtenida entre los estimadores
obtenidos por Logit y Probit se muestra a
continuación:

7
Tabla 12 Tabla Comparación Coeficientes Interpretando el modelo existe la
Variable logit probit
probabilidad del 17,15% de que el Jefe de
Hogar sea pobre (“1”), teniendo este valor
Género -.51715443 -.28127726
Edad -.03805958 -.02069458 significante ya que es menor que el 5%, por
Seguro_Soc~l .0411094 .0218389
Estado_Civil -.02930464 -.01629472
lo que no existe suficiente evidencia
Categoría_~n .1813784 .09451581 estadística como para aceptar la Hipótesis
Experienci~l .01057375 .00607358
Nivel_inst~n -.37792587 -.19635529 Nula de que el promedio parametrizado de
Años_Aprob~s
Tipo_Etnia
-.04870899
-.12080226
-.02702295
-.07484877
las variables sea “0”.
Ingresos_T~s 2.4555734 1.2789431
Área .76687374 .42590433
_cons -1.5062396 -.76836246
Tabla 15 Efectos Marginales Promedio
Adjusted predictions Number of obs de= 13,382
Model VCE : OIM
las Variables Independientes
Elaboración: Los autores Expression : Pr(pobreza), predict()
Fuente: INEC 2018 at : Género = 1.225676 (mean)
Edad = 48.49073 (mean)
Seguro_Soc~l = 5.96443 (mean)
Estado_Civil = 2.864594 (mean)
La tabla anterior indica que los parámetros Categoría_~n = 4.333433 (mean)

Logit son mayores en promedio en 1.8 Experienci~l

Nivel_inst~n
=
=
18.60454 (mean)
2.848902 (mean)

aproximadamente a los parámetros Probit, Años_Aprob~s

Tipo_Etnia
=
=
3.385069 (mean)
5.461814 (mean)

ya que los mismos tienen formas funcionales Ingresos_T~s

Área =
= .4670453 (mean)
1.392467 (mean)
diferentes.
Delta-method
Margin Std. Err. z P>|z| [95% Conf. Interval]
Efectos Marginales
_cons .0838304 .0033887 24.74 0.000 .0771888 .0904721

Los resultados con el modelo Logit no varian Elaboración: Los autores

Conditional marginal effects Number of obs = 13,382
mucho en cuanto a la interpretación del Fuente:
Model VCE
INEC
: OIM
2018
efecto marginal. Expression : Pr(pobreza), predict()
El efecto
dy/dx w.r.t. : Género marginal en promedio
Edad Seguro_Social Estado_Civil deExperiencia_Laboral
Categoría_ocupación los Nivel_instrucci
Ingresos_Totales Área
Tabla 13 Modelo Probit Efectos Marginales coeficientes
at : Género de las = variables
1.225676 (mean) o probabilidad
Edad = 48.49073 (mean)
Delta-method de un individuoSeguro_Soc~l que
= tenga
5.96443 las características
(mean)
dy/dx Std. Err. z P>|z| [95% Conf. Interval] Estado_Civil = 2.864594 (mean)
promedio del
Categoría_~n = valor de
4.333433 (mean) las variables
Experienci~l = 18.60454 (mean)
Género
Edad
-.0516929
-.0038032
.0070269
.0002593
-7.36
-14.67
0.000
0.000
-.0654654
-.0043114
-.0379204
-.0032951
independientes Nivel_inst~n es = del 8.3%.
2.848902 (mean)
Años_Aprob~s = 3.385069 (mean)
Seguro_Social .0040135 .0008237 4.87 0.000 .002399 .005628
Tipo_Etnia = 5.461814 (mean)
Estado_Civil -.0029946 .0014936 -2.01 0.045 -.0059219 -.0000673
Categoría_ocupación .01737 .0018542 9.37 0.000 .0137359 .0210042
Tabla 16 Efectos= Marginales Individuales y
Ingresos_T~s
Área
= .4670453 (mean)
1.392467 (mean)
Experiencia_Laboral
Nivel_instrucción
.0011162
-.036086
.0002237
.0042612
4.99
-8.47
0.000
0.000
.0006777
-.0444378
.0015547
-.0277342
Promedio (Condicionados en media)
Años_Aprobados -.0049663 .0021809 -2.28 0.023 -.0092407 -.0006918 Delta-method
Tipo_Etnia -.0137556 .0016893 -8.14 0.000 -.0170665 -.0104448 dy/dx Std. Err. z P>|z| [95% Conf. Interval]
Ingresos_Totales .2350431 .0066353 35.42 0.000 .2220381 .248048
Área .0782723 .0062711 12.48 0.000 .0659813 .0905634 Género -.0433166 .0059471 -7.28 0.000 -.0549727 -.0316604
Edad -.003187 .0002291 -13.91 0.000 -.0036359 -.002738
Seguro_Social .0033632 .0006853 4.91 0.000 .0020199 .0047064
Elaboración: Los autores
Estado_Civil -.0025094 .0012541 -2.00 0.045 -.0049673 -.0000514
Fuente: INEC 2018 Categoría_ocupación .0145554 .0015328 9.50 0.000 .0115511 .0175597
Experiencia_Laboral .0009353 .0001904 4.91 0.000 .0005621 .0013086
Nivel_instrucción -.0302386 .00345 -8.76 0.000 -.0370005 -.0234767
De hecho, la única diferencia son centésimas Años_Aprobados -.0041615 .0018218 -2.28 0.022 -.0077322 -.0005909
Tipo_Etnia -.0115267 .0014728 -7.83 0.000 -.0144132 -.0086401
entre algunos resultados del efecto marginal Ingresos_Totales .1969566 .0064967 30.32 0.000 .1842233 .2096898
Predictive margins
los regresores en relaciónNumber
a laofexplicación
obs = 13,382 Área .065589 .0054744 11.98 0.000 .0548594 .0763187
de
Model VCE : OIM Elaboración: Los autores
de la variable independiente por parte de los
Fuente: INEC 2018
parámetros.
Expression : Pr(pobreza), predict()
Tabla 14 Efectos Marginales Promedio Esta tabla muestra el efecto marginal de las
variables y de sus medias, para ejemplificar
Delta-method se puede decir que el efecto marginal de la
Margin Std. Err. z P>|z| [95% Conf. Interval] variable Ingresos Totales al obtener una
unidad monetaria adicional de Ingreso afecta
_cons .1715113 .0028206 60.81 0.000 .165983 .1770397
en 19.69% a la probabilidad de que el Jefe
Elaboración: Los autores de Hogar sea pobre. En este modelo Probit
Fuente: INEC 2018 también se pueden ver nuevamente que

8
todos los coeficientes son estadísticamente
significativos.
Comparación Efectos Marginales Logit
Vs Probit
Para Logit y Probit en las primeras tablas de
efectos marginales promedios para el caso
de Logit fue de 0,1711 y para el caso de
Probit de 0,1715.
En el caso de los efectos marginales
Promedio de las Variables Independientes
son exactamente las mismas para los
modelos variando únicamente el valor del
efecto marginal para la constante siendo para
el Logit de 7,39% y para el Probit el 8,39%.
Los Efectos Marginales Individuales y
Promedio (Condicionados en media) se
puede ver que los efectos marginales en
todas las variables para el modelo Logit son
menores que los que se ven en el modelo
Probit, aunque no tienen una variación muy
significativa.
Pruebas de Hipótesis
Tabla 17 Test de Wald
( 1) [pobreza]Género = 0
( 2) [pobreza]Edad = 0
( 3) [pobreza]Seguro_Social = 0
( 4) [pobreza]Estado_Civil = 0
( 5) [pobreza]Categoría_ocupación = 0
( 6) [pobreza]Experiencia_Laboral = 0
( 7) [pobreza]Nivel_instrucción = 0
( 8) [pobreza]Años_Aprobados = 0
( 9) [pobreza]Tipo_Etnia = 0
(10) [pobreza]Ingresos_Totales = 0
(11) [pobreza]Área = 0
chi2( 11) = 2202.83
Prob > chi2 = 0.0000
Elaboración: Los autores
Fuente: INEC 2018
Mediante el test de Wald se contrasta la
Hipótesis nula de que todos los parámetros
son igual a cero, sin existir la suficiente
evidencia estadística para aceptar la
Hipótesis Nula por lo que se la rechaza, por
lo que todos los parámetros son distintos de
cero.
Tabla 18 Test De Bondad de Ajuste de
Pearson o Hosmer-Lemshow
Probit model for pobreza, goodness-of-fit test
number of observations = 13382
number of covariate patterns
Pearson chi2(13037)
=
=
13049
18872.68
Prob > chi2 = 0.0000
Elaboración: Los autores
Fuente: INEC 2018
Como se puede ver en la tabla anterior se
puede decir que existe la evidencia
estadística suficiente para asumir que
nuestro modelo cuenta con una buena
bondad de ajuste entre los valores
observados y los pronosticados.
Desde la estimación hasta los test el modelo
se comporta de una manera favorable, pero a
más de realizar una evaluación estructural se
evalúa su poder predictivo.
Luego de lo revisado tanto el modelo Logit
como el Probit se han comportado de
maneras muy similares tanto en los test
como sus resultados. En los anexos se puede
ver el cómputo del poder predictivo del
modelo Probit.
4.- CONCLUSIONES
Revisada las estimaciones del problema dela
pobreza en el Ecuador con la ayuda de los
modelos Logit y Probit se detectó
implicancias interesantes que se resumen en
las siguientes conclusiones:
 La pobreza es un fenómeno social que
está presente en todo el mundo, sin embargo
en Ecuador presenta características
específicas como es la demografía, la
educación y los salarios. Sin embargo el
mayor determinante de pobreza son los
ingresos, pero la gran interrogante que surge
es si fuera solo los ingresos un determinante
de ser o no pobre pues en Finlandia
cambiando el modelo educativo se logró
salir de la condición de pobreza a la mayoría
de la población.
 El análisis de variables cualitativas a
través de modelos Logit y Probit no tienen
mayor variación sin embargo es importante
señalar que siempre dependerá de la manera
9
en que los datos son generados pues estos
determinan la forma funcional de la
distribución.
 Ecuador en su historia no tiene una
cultura de análisis econométrico de
información cualitativa sino más bien se
mantienen los métodos tradicionales es por
ello que determinar las causas de la pobreza
y sus implicancias es un tema novedoso para
el medio ecuatoriano.
 Microeconómicamente el ingreso por
encima del salario básico representa mayor
acceso a la canasta familiar, al igual que
desde el punto de vista macro, sin embargo
al ser los ingresos los determinantes de ser o
no pobre; es importante recomendar el
cambio de la matriz educativa pues algunas
teorías de desarrollo modernas sostienen que
la mejora continua de las habilidades de los
individuos potencializa sus habilidades lo
que conlleva a mejores ingresos.
 De la conclusión anterior es importante
señalar que un problema social que Ecuador
presenta es el exceso de mano de obra
especializada en ciertas áreas por lo que los
ingresos de estos grupos son bajos por la
competencia que tienen entre sí y esto da
lugar a la fuga de cerebros.
 La creación de activos públicos, son una
parte elemental para generar otros tipos de
activos privados, que animan a que los
agentes económicos no estén en condición
de pobreza.
 Si el jefe de hogar cambia sus
determinantes como educación y años de
escolaridad, o de área geográfica con el paso
del tiempo la probabilidad de estar en la
pobreza disminuye.
 Los hacedores de política económica
deben considerar que para lograr la
disminución de pobreza en Ecuador deben
fomentar políticas económicas que
garanticen mejorar las condiciones de las
determinantes de los individuos para que la
probabilidad de pobreza disminuya.
 También se debe indicar que la pobreza
es un fenómeno social causado por la
migración campo ciudad, es por ello que
también se debe promover el desarrollo de
política económica que garantice mejores
ingresos para las personas que viven en
sectores rurales.
5.- REFERENCIAS
Cameron, C. &. (2005).
Microeconometrics.
Cameron, C., & Trivedi, P. (2009).
Microeconometrics Using Stata.
Texas: uP bsleih ybd Stata rPess.
EL COMERCIO. (26 de JULIO de 2018).
25 de cada 100 ecuatorianos son
pobres. EL COMERCIO.
Greene, W. (2012). Ecomometric Analysis.
New York: Pearson Education .
GUJARATI, D. &. (2010). Econometría
(5ta ed.). Mexico: McGraw-Hill.
INEC. (20 de octubre de 2018).
INSTITUTO NACIONAL DE
ESTADISTICAS Y CENSOS.
Obtenido de
http://anda.inec.gob.ec/anda/index.p
hp/catalog/171
Khandker, S., & Haughton, J. (2009).
Handbook Poverty + Inequality.
Washington: The World Bank.
Le Du, A. (2014). Distribución de
Probabilidad, Foro Estadística
Aplicada. Obtenido de
http://estadisticas-ugma-faces-
guayana.blogspot.com/2014/03/distr
ibucion-muestral-grupo-6-
seccion.html
Pucutay, F. (2002). Los modelos Logit y
Probit para la investigación social.
Lima: INEI Centro de
Investigaciones y Desarrollo.
Wooldridge, J. (2010). Introducción a la
econometría Un enfoque moderno.
Michigan: Cengage Lear ning.
10
ANEXOS coordenadas de 0,245 y 0,76
aproximadamente es el punto donde se
Poder predictivo Modelo Probit maximiza la en donde como se vio prevé
correctamente clasificadas el 77,81% de las
Tabla 01 Estat Classification. observaciones.
True
Classified D ~D Total

+ 1784 2463 4247 Figura 02 Curva de ROC

- 506 8629 9135

Total 2290 11092 13382

Classified + if predicted Pr(D) >= .245

True D defined as pobreza != 0

Sensitivity Pr( +| D) 77.90%

Specificity Pr( -|~D) 77.79%
Positive predictive value Pr( D| +) 42.01%
Negative predictive value Pr(~D| -) 94.46%

False + rate for true ~D Pr( +|~D) 22.21%

False - rate for true D Pr( -| D) 22.10%
False + rate for classified + Pr(~D| +) 57.99%
False - rate for classified - Pr( D| -) 5.54%

Correctly classified 77.81%

Elaboración: Los autores

Elaboración: Los autores
Fuente: INEC 2018
El punto de corte como se verá más adelante
en la gráfica se da en 0,245 (Este punto se
obtiene mediante testeo hasta ver las
coordenadas de corte) en donde se maximiza
la clasificación, Con el comando usado de
Estat clasification el modelo en general
estima correctamente clasificadas el 77,81%
de las observaciones.
Contrastando el poder predictivo de los
modelos Logit y Probit se pueden ver que
prácticamente son iguales ya que para el
Logit se prevé correctamente clasificadas el
77,66% y el modelo Probit el 77,81%.
Figura 01 Intersección Sensivity y Especifity
Fuente: INEC 2018
La curva de ROC muestra la Sensibilidad de
uno menos la Especificidad, usando el área
bajo la curva la ROC siempre se encuentra
encima una curva de 45° (Curva sin poder de
predicción). En donde gráficamente,
mediante el área bajo la curva de ROC,
además del valor del área de 0.8584 siendo
el punto máximo las coordenadas 0,23 y
0,78 (corte de las curvas de Specifity y
Sensivity), por lo que se puede decir que el
modelo predice satisfactoriamente un
85,84%.
Por último se puede decir que casi no existe
variación en el poder de predicción bajo el
criterio de la curva de ROC de los modelos
Logit y Probit con 85,85% y 85,84%
respectivamente.

Como se ha podido ver a lo largo del

presente trabajo la intención del mismo fue
el contrastar los dos modelos, sus
regresiones, sus efectos marginales y su
poder predictivo, por lo que se puede
asegurar que como bien dice la literatura que
Elaboración: Los autores los dos modelos son similares por lo que no
Fuente: INEC 2018 existe gran diferencia en el usar uno u otro
modelo, el único plus que se puede dar es
Como se puede ver el cruce entre la curva de como se vio en clases los ODDS RATIO
Sensivity y la de Specifity se da en las para el modelo Logit.

11