Modelos de Variable
Dependiente Binaria
-Logit y ProbitEconometría Aplicada
Daniel Lema
Introducción
• Modelos de regresión donde la variable
dependiente es binaria o dummy
• El desarrollo moderno de los modelos de
elección binaria se encuentra en las
aplicaciones biológicas.
• Ej: experimentos en los que se administra
una dosis ui de una droga a grupos de
insectos y se pretende analizar su
probabilidad de supervivencia.
Introducción
• Sea ci la tolerancia de un insecto en particular a
esa droga: el insecto i muere (yi = 1) si ui > ci y
sobrevive (yi = 0) si ui < ci.
• Por lo tanto, la probabilidad de fallecer es:
• Pr (yi = 1) = Pr (ui > ci) .
• En aplicaciones a las Ciencias Sociales, u y c
suelen ser inobservables, de manera que la
derivación del modelo binario gira en torno a la
existencia de unas variables latentes que
determinan el comportamiento del individuo.
• Por ejemplo:
• Un modelo que trata de explicar los factores
determinantes de que una familia sea adquiera una
casa.
• Podemos pensar que u podría ser la utilidad y c un
umbral o valor critico.
• En este caso lo que observaríamos es el resultado
de una decisión maximizadora de la utilidad por
parte de un individuo racional (preferencias
reveladas) y el objetivo del análisis sería
“revelar”información sobre las variables latentes
que gobiernan esa decisión (empleando ciertas
restricciones estructurales).
• Alternativamente, u puede interpretarse como una
variable indicador (denotada habitualmente como
y*) que determina la decisión tomada por cada
individuo.
• Si el valor que toma el indicador es superior
(inferior) a un determinado valor critico ci – en
general, desconocido – entonces el individuo
toma la decisión representada por yi = 1 (yi = 0).
• Por lo tanto, el indicador refleja el sentimiento del
decisor frente a la opción que representa yi = 1: si
su predisposición es lo suficientemente grande
(mayor que ci) entonces elegirá dicha opción; en
caso contrario, optará por la opción alternativa, yi
= 0.
• Este tipo de planteamiento es usual, por ejemplo,
en estudios sobre participación en el mercado
laboral (salario de mercado y salario de reserva)
o sobre migración (beneficios y costos).
• En particular, si suponemos que el indicador
depende aditivamente de las características
personales del individuo y de una componente
aleatoria yi* = x´iβ + εi,
• entonces la probabilidad de que el individuo
i−ésimo elija la acción yi = 1 vendrá dada por:
• Pr (yi = 1) = Pr (yi > ci) = F (x´iβ ) ,
• Donde F (.) es la función de distribución
acumulada de yi .
• El objetivo es analizar como estimar el vector
de parámetros β
• Por ejemplo, se selecciona una muestra
de hogares y se registra el ingreso y si la
familia es propietaria o no de una casa. El
modelo puede expresarse
• Yi=a + b Xi + ei
• Donde Yi = 1 si el hogar es propietario de su
casa y cero en caso contrario.
• Xi es el ingreso del hogar i
• Se puede aplicar MCO a este problema
• Este es el modelo lineal de probabilidad lineal
(MLP)
• El MLP pertenece a la clase de modelos de
decisión asociada a la existencia de variables
latentes.
• En concreto, el MLP representa el caso
particular en el que la función F (.) corresponde
a una distribución uniforme en el intervalo [0,
1].
• No obstante, los modelos lineales tienen una
serie de características que ponen en duda la
aplicabilidad de este tipo de aproximación para
observaciones individuales.
• Los test de hipótesis se basan en la
normalidad del término de error. No son
aplicables.
• Para un valor dado de Xi el término de error
sólo puede tomar uno de los siguientes dos
valores
 ei = 1 – a – bXi cuando Yi = 1
 ei = – a – bXi
cuando Yi = 0
• En consecuencia los errores no se distribuyen
como una normal (de hecho lo hacen como
una binomial)
• Los errores son Heteroscedasticos.
• El estimador MCO es ineficiente (no
tienen varianza mínima)
• Predicción: El valor x´i b no será, en
general, 0 o 1.
• De hecho, no existen garantías de que la
predicción efectivamente satisfaga la
restricción 0 ≤ Pr (yi = 1|xi) ≤ 1
• Estos problemas no impiden
absolutamente la aplicación de MCO
• Se puede ajustar por heteroscedasticidad
• Los errores no normales son menos
problemáticos en muestras grandes
• Predicciones negativas o mayores a uno
no son un problema serio (pueden
ignorarse, por ej.)
• Sin embargo, algunos supuestos del modelo son
restrictivos
• Por ejemplo la constancia del efecto marginal de
un cambio en el ingreso sobre la probabilidad de
ser propietario (b)
• Supongamos, que los parámetros estimados por
MCO (para una muestra dada) son:
• yi = 0.012 + 0.1021xi.
• El valor de la constante (0.012) corresponde a la
probabilidad de que una familia sin ingresos, xi =
0, posea una vivienda.
• El valor de la pendiente es el aumento en la
probabilidad de poseer una vivienda provocado
por un incremento unitario en el nivel de
ingresos.
• En el MLP ese aumento se produce con
independencia del nivel de ingreso del que se
• Parte
• Económicamente uno esperaría que el aumento
de la probabilidad fuera no lineal: para niveles
bajos de renta la probabilidad de poseer una
vivienda sería baja,
• Mientras que para niveles elevados este hecho
sería mucho más probable.
• Esto implicaría una relación de este tipo entre
probabilidad de ser propietario e ingreso
1
p
0.8
0.6
0.4
0.2
0
X
• La relación es no lineal
• La variable dependiente está restringida entre cero y
uno
• Por sus características, las funciones de distribución
de variables aleatorias son candidatas potenciales,
puesto que de esta forma resolvemos de forma
sencilla el problema que tenía el MLP respecto al
rango de valores que podía tomar la predicción de la
variable endógena.
• Dos modelos producen una relación de este tipo
• Un modelo basado en la función logística
• Un modelo derivado de una función de distribución
normal acumulada
Modelo Logit
• Expresando el modelo explícitamente en
términos de probabilidades tenemos
• Pi = a + b Xi
• Donde Pi es la probabilidad de que el
hogar i sea propietario de una casa
• Una relación que genera un gráfico como
el anterior es:
Pi =
1
1+ e
 (a + bX i )
• Definimos la razón de probabilidades
(odds ratio) como:
Pi
1  Pi
En el caso de la propiedad de casas representa
la razón de la probabilidad de que una familia
posea una casa respecto de la probabilidad de
que no la posea.
Por ejemplo, si Pi = 0.8 significa que las
probabiliades son 4 a 1 a favor de que la familia
posea una casa (0.8/0.2)
• Si tomamos el logaritmo natural de la razón
de probabilidades obtenemos
 Pi 
 = Z i = a + bX i
Li = ln
 1  Pi 
• Entonces, el Li resulta lineal en X y también
en los parámetros
• L es llamado modelo Logit
• La interpretación del modelo es la
siguiente:
 b es la pendiente y mide el cambio en L
ocasionado por un cambio unitario en X,
es decir, dice cómo el logaritmo de las
probabilidades a favor de tener una casa
cambian a mediada que el ingreso cambia
en una unidad.
 a es el valor de L si el ingreso es cero
• Dado un nivel de ingreso X* si se desea
estimar la probabilidad de tener una casa
(y no las probabilidades a favor de tener
una casa) se puede calcular a partir de la
definición de Pi una vez estimados los
parámetros (efectos marginales).
• El método de estimación es por Máxima
Verosimilitud (MV)
El Modelo Probit
• La aproximación al problema es similar al
Logit pero se supone una relación no
lineal distinta (aunque muy similar) entre
Xi y Pi
• Se basa en la distribución normal
acumulada
• Se supone que la decisión de poseer o no
una casa depende de un índice I
(conocido como variable latente)
• El índice I está determinado por una o varias
variables explicativas. Por ej ingreso
• Cuanto mayor sea el índice mayor la
probabilidad de tener una casa
• Ii = a + b Xi
• Se supone un umbral crítico I* a partir del cuál,
si I supera a I* entonces una familia posee una
casa.
• El umbral I*, al igual que I, no es observable
• Si se supone que está distribuido normalmente
con la misma media y varianza es posible
estimar los parámetros del índice y también
alguna información sobre el I*.
•
• Pi = P (Y=1|X) = P(I*i ≤ Ii)
= P(Zi ≤ a + b Xi) = F(a + b Xi)
Donde
Z es una variable estándar normal, Z ~
N(0, s2)
F es la función de distribución normal
acumulada
• Explícitamente
 1  Ii  Z 2 / 2
F (Ii ) = 
dz
e
 2 
 1  a + bXi Z 2 / 2
=
e
dz


2



Pi = F(Ii)
1
p
Pi
Pr (I*i≤ Ii)
0.8
0.6
0.4
0.2
0
+∞
Ii = a + b Xi
0
-X∞
Estimación
• La estimación se realiza por MV
• Dado que para cada individuo i la función de
verosimilitud será la probabilidad de que haya
elegido 1 o 0, la función de verosimilitud
muestral será:
• Tomando logaritmos:
• Las derivadas parciales en caso Logit:
• Donde
• En el caso Probit:
•
• Donde
• La solución a estos sistema de
ecuaciones se realiza por algoritmos
(Ej.Newton-Raphson)
• Es necesario obtener la matriz de
varianzas y covarianzas asintótica
invirtiendo el Hessiano (o su esperanza)
también llamado Matriz de Información
• En el Logit:
• En el Probit
• Los algoritmos funcionan generalmente bien en los
Logit y Probit (convergencia en 3–5 iteraciones).
• Sin embargo, a veces no se alcanza esa
convergencia (por ejemplo, porque no se puede
invertir el Hessiano debido a que lnL no presenta la
suficiente concavidad) o se alcanza en un máximo
local.
• Muchos de estos casos tienen su origen en errores en
las variables
• El tamaño de la muestra también puede jugar un
papel importante: la convergencia se alcanza más
rápidamente cuanto mayor es el ratio entre el número
de observaciones y el número de variables
• Recomendación: aprox. 100 observaciones como
mínimo y 10 observaciones por parámetro.
• Otro aspecto a tener en cuenta es que los
coeficientes de los modelos logit y probit no son
comparables directamente entre si (y mucho
menos respecto a los del MLP).
• No obstante, se puede demostrar que existen
ciertas relaciones de proporcionalidad entre
ellos:
• En general, las estimaciones del modelo Logit
serán entre 1.6 y 1.8 veces las del Probit.
Interpretación de los Coeficientes
• Una diferencia fundamental respecto a los
modelos lineales es que la influencia que
tienen las variables explicativas sobre la
probabilidad de elegir la opción dada por yi
= 1 (la derivada parcial, dyi/dxi = βk en los
modelos lineales) no es independiente del
vector de características xi.
• Una primera aproximación a la relación
entre las variables explicativas y la
probabilidad resultante es calcular los
efectos marginales sobre la variable latente
(y*) .
• Si el efecto marginal expresa el
cambio de la variable dependiente
provocado por un cambio unitario en
una de las independientes
manteniendo el resto constante, los
parámetros estimados del Logit y el
Probit reflejan el efecto marginal de
las xik en yi de la misma forma que en
el MLP, puesto qe E (y*|x) = x´β.
• Por ejemplo, consideremos el siguiente modelo con
una variable explicativa continua
• (xi) y una discreta (di):
• Y* = β0 + β1xi + β2di + εi.
• Para las variables continuas el efecto marginal viene
dado por dy*i/dxi= β 1.
• Por su parte, para las ficticias el efecto marginal es
• E (y*|di = 1)−E (y*|di = 0) = β 2.
• El principal problema que enfrenta este tipo de
interpretación es que no tiene un reflejo muestral (la
variable latente no es observada).
• Por lo tanto, sólo es adecuada cuando lo que se
busca es analizar las preferencias o utilidades
subyacentes en el modelo.
• Los efectos marginales pueden construirse
sobre la probabilidad y, de hecho, este es el
tipo de presentación más frecuente.
• El efecto de la k−ésima variable explicativa,
manteniendo el resto constante, puede ser
calculado como:
• siendo F (.) la función de distribución y f (.) la
función de densidad.
• Por lo tanto, en un modelo binario la
influencia que tienen las explicativas sobre
la probabilidad de elegir la opción dada
por yi = 1 no depende simplemente del
valor los coeficientes, sino también del
valor que toman las variables explicativas.
• Por ej: El efecto marginal máximo ocurrirá
cuando Pr (y = 1) = 0.5
• Esto significa que, a diferencia de lo que
ocurre en el MLP, el efecto de una variable
sobre la probabilidad varía con el valor de
esa variable (es decir, no es
independiente del vector de
características xi).
• En Logit
• En Probit
• Los resultados previos suponen que si bien los
coeficientes de estos modelos no son directamente
interpretables, sus valores relativos si lo son.
• Por ej. el cociente βj/ βk mide la importancia relativa de
los efectos marginales de las variables xj y xk.
• Dado que los efectos marginales varian con x resulta
conveniente calcularlos para valores concretos de la
variable.
• Los “efectos marginales medios”, obtenidos a partir de la
media muestral de la variable, son una de las formas
más comunes de presentación de losresultados (por
ejemplo, en Stata).
• También se puede calcular, por ejemplo, el
efecto medio respecto al conjunto de las
• observaciones:
Inferencia
• La inferencia no presenta diferencias
sustanciales respecto al Modelo Lineal
Gaussiano, por lo que para llevar a cabo
hipótesis sobre el valor de un coeficiente puede
emplearse un estadístico de la t−Student
tradicional (aunque, siendo rigurosos, la
distribución apropiada sería la Normal).(ratio z)
• Por su parte, para contrastar la validez de un
conjunto de restricciones como las que definen
la significación global del modelo puede el test
de razón de verosimilitud (LR)
• LR
• Por ultimo, una forma de evaluación del modelo
es la que se deriva de la bondad del ajuste.
• Evidentemente, al tratarse de modelos no
lineales carece de sentido plantear la bondad
del ajuste en los t´erminos que definen el
coeficiente de determinación (R2).
• Existen criterios alternativos que, en cierto
modo, siguen la misma idea.
• Todas estas medidas deben interpretarse con
cierta cautela
• Su validez como criterios de selección del
modelo es ciertamente limitada.
• Una medida es el pseudo R2 de Mc Fadden:
• En este caso, si los coeficientes son poco
significativos la capacidad explicativa del
modelo será muy reducida y el Loglikelihood
sin restricciones será muy similar al L0; por el
contrario, cuanto mayor sea la capacidad
explicativa del modelo, más proximo estará R2
a uno.
Descargar

Modelos de Variable Dependiente Binaria -Logit y Probit-