UNA PUNO FIE WGPM

UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERÍA ECONÓMICA
CURSO: ECONOMETRIA II
Prof.: William Parillo Mamani
MODELOS CON VARIABLES DEPENDIENTES DISCRETAS

EJERCICIO 01: MODELOS LOGIT Y PROBIT

Spector y Mazzeo(1980) reportaron el análisis de un modelo de un cierto programa de
educación. Utilizando los datos de la tabla siguiente para analizar si una nueva metodología
didáctica resulta eficaz en la enseñanza de la economía. En un estudio, la variable dependiente
es mejora, variable que indica si mejoró o no la nota del alumno tras un periodo de aprendizaje.
El resto de variables son CM, media de las calificaciones pasadas del alumno; NP nota del
alumno en un examen previo al periodo de aprendizaje; y PSI, variable binaria que indica si en
el periodo de aprendizaje el alumno estudio con el nuevo método didáctico o no.
obs CM NP PSI MEJORA
1 2.66 20 0 0
2 2.89 22 0 0
3 3.28 24 0 0
4 2.92 12 0 0
5 4.00 21 0 1
6 2.86 17 0 0
7 2.76 17 0 0
8 2.87 21 0 0
9 3.03 25 0 0
10 3.92 29 0 1
11 2.63 20 0 0
12 3.32 23 0 0
13 3.57 23 0 0
14 3.26 25 0 1
15 3.53 26 0 0
16 2.74 19 0 0
17 2.75 25 0 0
18 2.83 19 0 0
19 3.12 23 1 0
20 3.16 25 1 1
21 2.06 22 1 0
22 3.62 28 1 1
23 2.89 14 1 0
24 3.51 26 1 0
25 3.54 24 1 1
26 2.83 27 1 1
27 3.39 17 1 1
28 2.67 24 1 0
29 3.65 21 1 1
30 4.00 23 1 1
31 3.10 21 1 0
32 2.39 19 1 1
Mejora = Variable dependiente:
CM = Media de las calificaciones pasadas del alumno.
NP = Nota del alumno en un examen previo al periodo de aprendizaje
PSI = variable binaria que indica si en el periodo de aprendizaje el alumno estudio con el
nuevo método didáctico o no.
Con la información anterior se pide:

1
UNA PUNO FIE WGPM

a) Estimar el modelo mediante el método lineal.

b) Estimar el modelo mediante el Logit. Interprete los coeficientes estimados
c) Estimar el modelo mediante el Probit. Interprete los coeficientes estimados
d) Hallar los efectos marginales tanto en el modelo logit y Probit y lineal.
Solución a)

Utilizando el programa E-views se tiene el modelo lineal de probabilidad:

Dependent Variable: MEJORA
Method: Least Squares
Date: 03/12/04 Time: 12:09
Sample: 1 32
Included observations: 32
Variable Coefficient Std. Error t-Statistic Prob.
C -1.498017 0.523889 -2.859419 0.0079
CM 0.463852 0.161956 2.864054 0.0078
NP 0.010495 0.019483 0.538685 0.5944
PSI 0.378555 0.139173 2.720035 0.0111
R-squared 0.415900 Mean dependent var 0.343750
Adjusted R-squared 0.353318 S.D. dependent var 0.482559
S.E. of regression 0.388057 Akaike info criterion 1.061140
Sum squared resid 4.216474 Schwarz criterion 1.244357
Log likelihood -12.97825 F-statistic 6.645658
Durbin-Watson stat 2.346447 Prob(F-statistic) 0.001571

Los resultados estimados utilizando el programa Limdep es:

--> REGRESS;Lhs=MEJORA;Rhs=ONE,CM,NP,PSI$
+-----------------------------------------------------------------------+
| Ordinary least squares regression Weighting variable = none |
| Dep. var. = MEJORA Mean= .3437500000 , S.D.= .4825587044 |
| Model size: Observations = 32, Parameters = 4, Deg.Fr.= 28 |
| Residuals: Sum of squares= 4.216473951 , Std.Dev.= .38806 |
| Fit: R-squared= .415900, Adjusted R-squared = .35332 |
| Model test: F[ 3, 28] = 6.65, Prob value = .00157 |
| Diagnostic: Log-L = -12.9782, Restricted(b=0) Log-L = -21.5812 |
| LogAmemiyaPrCrt.= -1.775, Akaike Info. Crt.= 1.061 |
| Autocorrel: Durbin-Watson Statistic = 2.34645, Rho = -.17322 |
+-----------------------------------------------------------------------+
+---------+--------------+----------------+--------+---------+----------+
|Variable | Coefficient | Standard Error |t-ratio |P[|T|>t] | Mean of X|
+---------+--------------+----------------+--------+---------+----------+
Constant -1.498017120 .52388862 -2.859 .0079
CM .4638516793 .16195635 2.864 .0078 3.1171875
NP .1049512224E-01 .19482854E-01 .539 .5944 21.937500
PSI .3785547879 .13917274 2.720 .0111 .43750000

El modelo lineal de probabibilidad es:

MEJORA=-1.49801712+0.4638516793(CM)+ 0.01049512224(NP)+0.3785547879(PSI)

Los efectos marginales(derivada de la variable dependiente respecto a X) son:

 Pr( Yi  1 )

X i

2
UNA PUNO FIE WGPM

 Pr( Yi  1 )
 0.46 , etc..
CM

Solución b) y d)

Los resultados según el E-views se muestran en el siguiente cuadro:

Dependent Variable: MEJORA

Method: ML - Binary Logit
Date: 03/12/04 Time: 12:07
Sample: 1 32
Included observations: 32
Convergence achieved after 5 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -13.02135 4.931317 -2.640541 0.0083
CM 2.826113 1.262940 2.237726 0.0252
NP 0.095158 0.141554 0.672235 0.5014
PSI 2.378688 1.064563 2.234426 0.0255
Mean dependent var 0.343750 S.D. dependent var 0.482559
S.E. of regression 0.384716 Akaike info criterion 1.055602
Sum squared resid 4.144171 Schwarz criterion 1.238819
Log likelihood -12.88963 Hannan-Quinn criter. 1.116333
Restr. log likelihood -20.59173 Avg. log likelihood -0.402801
LR statistic (3 df) 15.40419 McFadden R-squared 0.374038
Probability(LR stat) 0.001502
Obs with Dep=0 21 Total obs 32
Obs with Dep=1 11

La representación en términos de ecuación del modelo Logit es:

MEJORA = 1-@LOGIT(-(C(1) + C(2)*CM + C(3)*NP + C(4)*PSI))

MEJORA = 1-@LOGIT(-(-13.02134684 + 2.826112592*CM + 0.09515766115*NP + 2.378687654*PSI))

La ecuación (30) es:

X i 

Pr obYi  1  F ( X i ) 
e
X i 
1 e

Reemplazando las variables de estudio tenemos:

 0  1CM   2 NP   3 PSI

Pr obMejorai  1  F ( X i ) 
e
 0  1CM   2 NP   3 PSI
1 e

Reemplazando los coeficientes estimados tenemos el modelo Logit estimado:

3
UNA PUNO FIE WGPM

13.02134648  2.826112525*CM  0.0951576567* NP  2.378687596* PSI

Pr obMejorai  1  F ( X i ) 
e
13.02134648  2.826112525*CM  0.0951576567* NP  2.378687596* PSI
1 e

Para obtener el valor estimado de la variable dependiente(Fitted) reemplazamos en la ecuación

anterior. Por ejemplo, para obtener el primer valor tenemos que, CM = 2.66, NP = 20 y PSI=0,
entonces:
13.02134648  2.826112525( 2.66 )  0.0951576567 ( 20)  2.378687596 ( 0)


Pr ob Mejorai  1 | CM  2.66, NP  20, PSI  0  e
13.02134648  2.826112525( 2.66)  0.0951576567 ( 20)  2.378687596 ( 0)
1 e
Pr obMejorai  1 |CM  2.66, NP  20, PSI  0  0.02658

Para obtener el siguiente valor estimado se sabe que CM=2.89, NP=22 y PSI=0, reemplazando
tenemos:
13.02134648  2.826112525( 2.89)  0.0951576567 ( 22)  2.378687596 ( 0 )


Pr ob Mejorai  1 | CM  2.89, NP  22, PSI  0  e
13.02134648  2.826112525( 2.89)  0.0951576567 ( 22)  2.378687596 ( 0)
1 e

Pr ob Mejorai  1 | CM  2.89, NP  22, PSI  0   0.05950
Y así sucesivamente.
Para obtener los residuos del modelo se aplica la siguiente expresión:
uˆ  Y  Yˆ
Reemplazando tenemos:
û = 0 - 0.02658 = -0.02658
û = 0 - 0.05950 = -0.05950
Los resultados anteriores se puede mostrar en el siguiente cuadro:
obs Actual Fitted Residual Residual Plot
1 0.00000 0.02658 -0.02658 | . * . |
2 0.00000 0.05950 -0.05950 | . *| . |
3 0.00000 0.18726 -0.18726 | .* | . |
4 0.00000 0.02590 -0.02590 | . * . |
5 1.00000 0.56989 0.43011 | . | .* |
6 0.00000 0.03486 -0.03486 | . *| . |
7 0.00000 0.02650 -0.02650 | . * . |
8 0.00000 0.05156 -0.05156 | . *| . |
9 0.00000 0.11113 -0.11113 | . *| . |
10 1.00000 0.69351 0.30649 | . | *. |
11 0.00000 0.02447 -0.02447 | . * . |
12 0.00000 0.19000 -0.19000 | .* | . |
13 0.00000 0.32224 -0.32224 | .* | . |
14 1.00000 0.19321 0.80679 | . | . *|
15 0.00000 0.36099 -0.36099 | * | . |
16 0.00000 0.03018 -0.03018 | . * . |
17 0.00000 0.05363 -0.05363 | . *| . |
18 0.00000 0.03859 -0.03859 | . *| . |
19 0.00000 0.58987 -0.58987 | * . | . |
20 1.00000 0.66079 0.33921 | . | * |
21 0.00000 0.06138 -0.06138 | . *| . |
22 1.00000 0.90485 0.09515 | . |* . |
23 0.00000 0.24177 -0.24177 | .* | . |
24 0.00000 0.85209 -0.85209 |* . | . |
25 1.00000 0.83829 0.16171 | . |* . |
26 1.00000 0.48113 0.51887 | . | .* |
27 1.00000 0.63542 0.36458 | . | * |
28 0.00000 0.30722 -0.30722 | .* | . |

4
UNA PUNO FIE WGPM

29 1.00000 0.84170 0.15830 | . |* . |

30 1.00000 0.94534 0.05466 | . |* . |
31 0.00000 0.52912 -0.52912 | *. | . |
32 1.00000 0.11103 0.88897 | . | . *|
Los resultados según el programa Limdep se muestran en el siguiente cuadro:
+---------------------------------------------+
| Multinomial Logit Model |
| Maximum Likelihood Estimates |
| Dependent variable MEJORA |
| Weighting variable ONE |
| Number of observations 32 |
| Iterations completed 6 |
| Log likelihood function -12.88963 |
| Restricted log likelihood -20.59173 |
| Chi-squared 15.40419 |
| Degrees of freedom 3 |
| Significance level .1501878E-02 |
+---------------------------------------------+
+---------+--------------+----------------+--------+---------+----------+
|Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X|
+---------+--------------+----------------+--------+---------+----------+
Characteristics in numerator of Prob[Y = 1]
Constant -13.02134648 4.9313241 -2.641 .0083
CM 2.826112525 1.2629411 2.238 .0252 3.1171875
NP .9515765670E-01 .14155420 .672 .5014 21.937500
PSI 2.378687596 1.0645642 2.234 .0255 .43750000
Frequencies of actual & predicted outcomes
Predicted outcome has maximum probability.
Predicted
------ ---------- + -----
Actual 0 1 | Total
------ ---------- + -----
0 18 3 | 21
1 3 8 | 11
------ ---------- + -----
Total 21 11 | 32

INTERPRETACIÓN DE SIGNOS:

- CM tiene una relación positiva con MEJORA, esto implica que si las calificaciones
pasadas del alumno eran altas, la probabilidad de que sus notas mejoren serán mayores.
- PSI tiene una relación positiva con MEJORA, esto nos indica que si en periodo de
aprendizaje el alumno estudio con el nuevo método(PSI=1) la probabilidad de que
mejores las notas es mayor, de lo contrario es menor.

EFECTOS MARGINALES (PENDIENTE):

Los efectos marginales evaluados en la media de las variables independientes se obtienen en

forma directa en el programa limdep, tal como se muestra en el siguiente cuadro:
+-------------------------------------------+
| Partial derivatives of probabilities with |
| respect to the vector of characteristics. |
| They are computed at the means of the Xs. |
| Observations used for means are All Obs. |
+-------------------------------------------+
+---------+--------------+----------------+--------+---------+----------+
|Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X|
+---------+--------------+----------------+--------+---------+----------+

5
UNA PUNO FIE WGPM

Marginal effects on Prob[Y = 1]

Constant -2.459760743 .81771031 -3.008 .0026
CM .5338588183 .23703797 2.252 .0243 3.1171875
NP .1797548884E-01 .26236909E-01 .685 .4933 21.937500
PSI .4493392735 .19676264 2.284 .0224 .43750000
Para obtener los efectos marginales en el modelo logit se requiere primero calcular el factor de
escala dado por la ecuación:
e Xi

f ( X i  ) 
( 1  e X i  )2


Reemplazando los valores estimados tenemos:

0  1CM   2 NP 3PSI
e
f ( X i  ) 
0  1CM   2 NP 3PSI 2
(1  e )
e 13.021346482.826112525CM 0.0951576567 NP2.378687596 PSI
f ( X i  ) 
( 1  e 13.021346482.826112525CM 0.0951576567 NP2.378687596 PSI ) 2

Los promedios aritméticos de las variables independientes son:

Descriptive Statistics
All results based on nonmissing observations.
Variable Mean Std.Dev. Minimum Maximum Cases
-------------------------------------------------------------------------------
CM 3.11718750 .466712831 2.06000000 4.00000000 32
NP 21.9375000 3.90150922 12.0000000 29.0000000 32
PSI .437500000 .504016129 .000000000 1.00000000 32
MEJORA .343750000 .482558704 .000000000

Reemplazando en la ecuación anterior por los promedios tenemos:

e 13.021346482.826112525( 3.1171875 )0.0951576567( 21.9375 )2.378687596( 0.4375 )
f ( X i  ) 
( 1  e 13.021346482.826112525( 3.1171875 )0.0951576567( 21.9375 )2.378687596( 0.4375 ) ) 2
f ( X i  )  0.188902178

El efecto marginal(impactos) en el modelo logit dado en la ecuación (39) es:

e Xi

Pi
 
x ( 1  e X i ) 2

 El impacto de un cambio en la media de las calificaciones pasadas del alumno es:

 Pr ob( Yi  1 )
 f ( X i  ) * 1  0.188902178 * 2.826112525  0.533858813
CM
Esto implica que un incremento en las calificaciones pasadas del alumno en una unidad
(1 punto), entonces la probabilidad de que mejore la nota del alumno aumenta en 53.38%.

 El efecto de la nota del alumno en un examen previo al periodo de aprendizaje sobre la

variables mejora se obtiene de la siguiente forma:
 Pr ob( Yi  1 )
 f ( X i  ) *  2  0.188902178 * 0.0951576567  0.017975488
NP
 EFECTO MARGINAL PARA UNA VARIABLE INDEPENDIENTE BINARIA(PSI).
El efecto de la variable independiente binaria se obtiene de la siguiente manera:

6
UNA PUNO FIE WGPM

 Pr ob( Yi  1 )
 f ( X i  ) *  3  0.188902178 * 2.378687596  0.44933929
PSI

Sin embargo, este valor es solo una aproximación.

Si la variable independiente binaria es PSI, el efecto marginal es:

EM  Pr obMejora  1 | X , PSI  1  Pr obMejora  1 | X , PSI  0

Donde X es el vector formado por las medias de todas las demás variables explicativas
del modelo.

En el Econometric Views se obtiene:

Prob(Mejora=1|, CM=3.1171875, NP=21.9375, PSI=0)=0.106757

GENR M0 = 1-@LOGIT(-(C(1) + C(2)*3.1171875 + C(3)*21.9375 + C(4)*0)) = 0.106757

Algebraicamente:
13.021346  2.8261125( 3.117 )  0.0951576567 ( 21.9375)  2.378687596 ( 0)


Pr ob Mejorai  1 | CM  3.117, NP  21.9, PSI  0  e
13.021346  2.8261125( 3.117 )  0.0951576567 ( 21.9375)  2.378687596 ( 0)
1 e

Pr ob Mejorai  1 | CM  3.117, NP  21.9, PSI  0  = 0.106757

Prob(Mejora=1|, CM=3.1171875, NP=21.9375, PSI=1)=0.563255

GENR M1= 1-@LOGIT(-(C(1) + C(2)*3.1171875 + C(3)*21.9375 + C(4)*1))=0.563255
13.021346  2.8261125( 3.117 )  0.0951576567 ( 21.9375)  2.378687596 (1)


Pr ob Mejorai  1 | CM  3.117, NP  21.9, PSI  1  e
13.021346  2.8261125( 3.117 )  0.0951576567 ( 21.9375)  2.378687596 (1)
1 e


Pr ob Mejorai  1 | CM  3.117, NP  21.9, PSI  1 =0.563255
Remplazando en la ecuación siguiente obtenemos el efecto marginal:
EM  Pr obMejora  1 | X , PSI  1  Pr obMejora  1 | X , PSI  0
EM  0.563255  0.106757  0.456498

Luego generamos series en el E-views de la siguiente forma:

GENR MEJORA0 = 1-@LOGIT(-(C(1) + C(2)*CM + C(3)*21.9375 + C(4)*0))
GENR MEJORA1 = 1-@LOGIT(-(C(1) + C(2)*CM + C(3)*21.9375 + C(4)*1))

Para la serie MEJORA0 realiza el siguiente procedimiento:

13.02134648  2.826112525*CM  0.0951576567*21.9375  2.378687596*0

Pr obMejorai  1 
e
13.02134648  2.826112525*CM  0.0951576567*21.9375  2.378687596*0
1 e
Si CM=2.66 para la primera observación, reemplazando tenemos:
13.02134648  2.826112525*2.66  0.0951576567*21.9375  2.378687596*0

Pr obMejorai  1 | PSI  0 
e
13.02134648  2.826112525*2.66  0.0951576567*21.9375  2.378687596*0
1 e

7
UNA PUNO FIE WGPM

13.02134648  2.826112525*2.66  0.0951576567*21.9375  2.378687596*0

Pr obMejorai  1 | PSI  0 
e
13.02134648  2.826112525*2.66  0.0951576567*21.9375  2.378687596*0
1 e
Pr obMejorai  1 | PSI  0  0.03178788
Y así sucesivamente se obtiene los demás valores.
La información obtenida se muestra en el siguiente cuadro:
obs CM MEJORA0 MEJORA1 MEJORA
1 2.66 0.031788 0.261598 0
2 2.89 0.059169 0.404278 0
3 3.28 0.159202 0.671397 0
4 2.92 0.064069 0.424851 0
5 4.00 0.591610 0.939875 1
6 2.86 0.054622 0.384035 0
7 2.76 0.041736 0.319718 0
8 2.87 0.056100 0.390742 0
9 3.03 0.085434 0.501996 0
10 3.92 0.536071 0.925754 1
11 2.63 0.029280 0.245555 0
12 3.32 0.174923 0.695838 0
13 3.57 0.300566 0.822603 0
14 3.26 0.151781 0.658809 1
15 3.53 0.277349 0.805501 0
16 2.74 0.039533 0.307552 0
17 2.75 0.040620 0.313603 0
18 2.83 0.050406 0.364186 0
19 3.12 0.107517 0.565210 0
20 3.16 0.118856 0.592758 1
21 2.06 0.005988 0.061034 0
22 3.62 0.331081 0.842293 1
23 2.89 0.059169 0.404278 0
24 3.51 0.266164 0.796493 0
25 3.54 0.283049 0.809891 1
26 2.83 0.050406 0.364186 1
27 3.39 0.205331 0.736020 1
28 2.67 0.032669 0.267094 0
29 3.65 0.350119 0.853231 1
30 4.00 0.591610 0.939875 1
31 3.10 0.102213 0.551272 0
32 2.39 0.015077 0.141762 1
Luego estas series se ordenan en forma ascendente. Por ejemplo; PROCS/SHORT
SERIES/CM. El siguiente cuadro muestra los datos ordenados para graficar el efecto de la
variable independiente binaria PSI sobre las probabilidades.
obs CM MEJORA0 MEJORA1
1 2.06 0.005988 0.061034
2 2.39 0.015077 0.141762
3 2.63 0.029280 0.245555
4 2.66 0.031788 0.261598
5 2.67 0.032669 0.267094
6 2.74 0.039533 0.307552
7 2.75 0.040620 0.313603
8 2.76 0.041736 0.319718
9 2.83 0.050406 0.364186
10 2.83 0.050406 0.364186
11 2.86 0.054622 0.384035
12 2.87 0.056100 0.390742
13 2.89 0.059169 0.404278
14 2.89 0.059169 0.404278
15 2.92 0.064069 0.424851
16 3.03 0.085434 0.501996
17 3.10 0.102213 0.551272
18 3.12 0.107517 0.565210
19 3.16 0.118856 0.592758
20 3.26 0.151781 0.658809
21 3.28 0.159202 0.671397
22 3.32 0.174923 0.695838
23 3.39 0.205331 0.736020
24 3.51 0.266164 0.796493
25 3.53 0.277349 0.805501

8
UNA PUNO FIE WGPM

26 3.54 0.283049 0.809891

27 3.57 0.300566 0.822603
28 3.62 0.331081 0.842293
29 3.65 0.350119 0.853231
30 3.92 0.536071 0.925754
31 4.00 0.591610 0.939875
32 4.00 0.591610 0.939875
En el grafico siguiente se representan las siguientes funciones:
GENR MEJORA0 = 1-@LOGIT(-(C(1) + C(2)*CM + C(3)*21.9375 + C(4)*0))
GENR MEJORA1 = 1-@LOGIT(-(C(1) + C(2)*CM + C(3)*21.9375 + C(4)*1))

En todo el intervalo de CM observado de la muestra, es decir de 2.0 a 4.0. El efecto de la

variable PSI sobre las probabilidades es considerable.

Además los valores obtenidos anteriormente para analizar el efecto marginal son:
Prob(Mejora=1|, CM=3.1171875, NP=21.9375, PSI=0)=0.106757
Prob(Mejora=1|, CM=3.1171875, NP=21.9375, PSI=1)=0.563255

Estos valores son ubicados en el siguiente grafico.

Prob(mejora=1)
1.0

con PSI=1
0.8

0.6
0.563255 Con PSI = 0

0.4

0.2

0.106757
0.0
2.5 3.0 3.5 4.0
3.1171875 CM
Grafico N° 01:
Efecto de la variable binaria PSI sobre las probabilidades

El efecto marginal de este método es la diferencia entre las dos funciones y toma valores tan
pequeños como 0.006 cuando CM = 2.06 hasta valores próximos a 0.6 cuando CM= 4. Esto
muestra que la probabilidad de que la nota de un estudiante mejore tras seguir un curso son la
nueva metodología es mucho mayor en alumnos con alta calificación media que un alumno con
baja calificación media. Si la calificación media del estudiante es la media muestral de esta
variable, es decir 3.1171875 la probabilidad de que mejore su nota aumenta
0.456498( EM  0.563255  0.106757  0.456498 ) si ha utilizado el nuevo método didáctico.

9
UNA PUNO FIE WGPM

Solución c) y d):

Los resultados estimados en el econometric-Views son:

Dependent Variable: MEJORA
Method: ML - Binary Probit
Date: 03/12/04 Time: 12:20
Simple: 1 32
Included observations: 32
Convergence achieved after 5 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -7.452320 2.542472 -2.931131 0.0034
CM 1.625810 0.693882 2.343063 0.0191
NP 0.051729 0.083890 0.616626 0.5375
PSI 1.426332 0.595038 2.397045 0.0165
Mean dependent var 0.343750 S.D. dependent var 0.482559
S.E. of regression 0.386128 Akaike info criterion 1.051175
Sum squared resid 4.174660 Schwarz criterion 1.234392
Log likelihood -12.81880 Hannan-Quinn criter. 1.111907
Restr. log likelihood -20.59173 Avg. log likelihood -0.400588
LR statistic (3 df) 15.54585 McFadden R-squared 0.377478
Probability(LR stat) 0.001405
Obs with Dep=0 21 Total obs 32
Obs with Dep=1 11

El modelo estimado se representa por:

Estimation Equation:
=====================
MEJORA = 1-@CNORM(-(C(1) + C(2)*CM + C(3)*NP + C(4)*PSI))
Substituted Coefficients:
=====================
MEJORA = 1-@CNORM(-(-7.452319647 + 1.625810039*CM + 0.0517289455*NP +
1.426332342*PSI))
El modelo probit expresado en términos de ecuaciones es:

X i  X i 
( X  )2

e e
i
1 1
Pr(Y  1)  F ( X i )  X 2 / 2
dX  2 dX ´
2 2
 

Para obtener los valores estimados de la variable dependiente (Fitted), realizamos algunas
operaciones de integración.

Hallamos los polinomios de Maclaurin para la expresión:

f ( x)  e X

Derivando respeco a x n veces se cumple que:

10
UNA PUNO FIE WGPM

f ( x)  f ´(x)  f ´´(x)  ............  f ( n) ( x)  e X

Evaluado en un punto cero tenemos

f (0)  f ´(0)  f ´´(0)  ............  f ( n) (0)  e0  1
Luego los polinomios:

P0 ( X )  f (0)  1
P1 ( X )  f (0)  f ' (0) X  1  X
f ' ' (0) 2 1
P2 ( X )  f (0)  f ' (0) X  X  1 X  X 2
2! 2
f ' ' (0) 2 f ' ' ' (0) 3 1 1
P3 ( X )  f (0)  f ' (0) X  X  X  1 X  X 2  X 3
2! 3! 2 6
( n)
f ' ' (0) 2 f (0) n 1 1
Pn ( X )  f (0)  f ' (0) X  X  ...  X  1  X  X 2  ...  X n
2! n! 2! n!
Esta es la serie de Maclaurin lo expresamos en términos de sumatorias:
n
f (X )  e X
 
K 0
Xk
k!
Sabemos que la probabilidad de que X sea menor o igual que X’B es:
X i 
X2

e
1 
F ( X i )  2 dX
2

Puede apreciarse que esta integral no puede resolverse con métodos convencionales. Por ello,
se utilizara las series de Taylor(Maclaurin) junto con la integración termino por termino.
X2
Reemplazando X por 
2 se tiene que:


1 2 K
 X  1 X 2k
e 2   
K 0
 2 k!

Por lo que:

 X 2k 1
1 2 K

e
 X  1
2 dX C  
K 0
 2  (2k  1)k!

Evaluando la integral se llega a:

 X 2k 1
1 2 K


1  X 1  1
F ( X 'i  )  e 2 dX    
2 2  2  (2k  1)k!
K 0

Luego sabemos que:

X = MEJORA = -7.452319647 + 1.625810039*CM + 0.0517289455*NP + 1.426332342*PSI
Reemplazando se tiene:

11
UNA PUNO FIE WGPM

- 7.4523196  1.6258100 * CM  0.05172895 * NP  1.4263323 * PSI2k 1

n


K
1  1
Pr ob(Yi  1)   
2  2 (2k  1)k!
K 0

Utilizando esta solución obtenemos los valores estimados de la variable dependiente Mejora,
mas adelante se desarrollara esta formula para un caso especifico.

MEJORA
ESTIMADO RESIDUOS
OBS MEJORA CM NP PSI (FITTED) Z=B1+B2*X'I (MEJORA-FITTED)
1 0 2.66 20 0 0.018171 -2.09308603 -0.018171
2 0 2.89 22 0 0.053080 -1.61569183 -0.053080
3 0 3.28 24 0 0.189926 -0.87816803 -0.189926
4 0 2.92 12 0 0.018571 -2.08420699 -0.018571
5 1 4 21 0 0.554575 0.13722836 0.445425
6 0 2.86 17 0 0.027233 -1.92311086 -0.027233
7 0 2.76 17 0 0.018503 -2.08569187 -0.018503
8 0 2.87 21 0 0.044571 -1.69993698 -0.044571
9 0 3.03 25 0 0.108808 -1.23289159 -0.108808
10 1 3.92 29 0 0.663121 0.42099513 0.336879
11 0 2.63 20 0 0.016102 -2.14186033 -0.016102
12 0 3.32 23 0 0.193557 -0.86486457 -0.193557
13 0 3.57 23 0 0.323328 -0.45841206 -0.323328
14 1 3.26 25 0 0.195183 -0.85895528 0.804817
15 0 3.53 26 0 0.356341 -0.36825763 -0.356341
16 0 2.74 19 0 0.021965 -2.01475018 -0.021965
17 0 2.75 25 0 0.045694 -1.6881184 -0.045694
18 0 2.83 19 0 0.030851 -1.86842727 -0.030851
19 0 3.12 23 1 0.593402 0.23630576 -0.593402
20 1 3.16 25 1 0.657186 0.40479606 0.342814
21 0 2.06 22 1 0.061929 -1.53878182 -0.061929
22 1 3.62 28 1 0.904539 1.30785551 0.095461
23 0 2.89 14 1 0.273191 -0.60319106 -0.273191
24 0 3.51 26 1 0.847450 1.02555851 -0.847450
25 1 3.54 24 1 0.834195 0.97087492 0.165805
26 1 2.83 27 1 0.488726 -0.02826337 0.511274
27 1 3.39 17 1 0.642407 0.3649008 0.357593
28 0 2.67 24 1 0.328673 -0.44357981 -0.328673
29 1 3.65 21 1 0.840017 0.99452719 0.159983
30 1 4 23 1 0.952245 1.6670186 0.047755
31 0 3.1 21 1 0.539960 0.10033167 -0.539960
32 1 2.39 19 1 0.123544 -1.15745135 0.876456

Utilizando CM=2.66, NP=20 y PSI=0, el primer valor estimado es: 0.018171, utilizando la
formula anterior tenemos:

12
UNA PUNO FIE WGPM

- 7.4523196  1.6258100 * CM  0.05172895 * NP  1.4263323 * PSI2k 1

n


K
1  1
Pi   
2  2 (2k  1)k!
K 0

- 7.4523196  1.6258100 * 2.66  0.05172895 * 20  1.4263323 * 02k 1

n


K
1  1
Pi   
2  2 (2k  1)k!
K 0

- 2.093086032k 1
n


K
1  1
Pi   
2  2 (2k  1)k!
K 0

Como ejemplo se tomara que la sumatoria es hasta 20, es decir, la suma es hasta cuando k=20.
Desagregando la ecuación anterior tenemos:
1  1  - 2.09308603
2*201 
 1  - 2.09308603  1  - 2.09308603
0 2*0 1 1 2*11 20
Pi         ....     
2  2  (2 * 0  1) * 0!  2 (2 * 1  1) * 1!  2 (2 * 20  1) * 0! 
 
Pi  - 0.835020515  0.609705419 - 0.400668752  0.20896827  ...  5.19849E - 13
Pi = -0.48182926
La otra cola de la distribución es 0.5, por tanto agregamos este valor para obtener finalmente:
P(Mejora=1) = -0.48182926+ 0.5
P(Mejora=1) = 0.018171

Este resultado es el primer valor estimado. Usted puede utilizas el Ms Excel para obtener los
resultados siguientes. El cuadro siguiente complementa el resultado obtenido anteriormente:
FACTORIAL DE K K COMPONENTES
1.00 1 0.60970542
2.00 2 -0.40066875
6.00 3 0.20896827
24.00 4 -0.08900616
120.00 5 0.03190392
720.00 6 -0.00985567
5040.00 7 0.00267291
40320.00 8 -0.00064577
362880.00 9 0.00014063
3628800.00 10 -2.7871E-05
39916800.00 11 5.0676E-06
479001600.00 12 -8.5104E-07
6227020800.00 13 1.3278E-07
87178291200.00 14 -1.9342E-08
1307674368000.00 15 2.6424E-09
20922789888000.00 16 -3.3984E-10
355687428096000.00 17 4.1287E-11
6402373705728000.00 18 -4.7528E-12
121645100408832000.00 19 5.1985E-13
Suma Total componentes -0.48182926
Probabilidad restante 0.5
Fitted obervacion 01 0.01817074

13
UNA PUNO FIE WGPM

Los resultados estimados en el Limdep son:

--> PROBIT;Lhs=MEJORA;Rhs=ONE,CM,NP,PSI;Margin$
+---------------------------------------------+
| Binomial Probit Model |
| Maximum Likelihood Estimates |
| Dependent variable MEJORA |
| Weighting variable ONE |
| Number of observations 32 |
| Iterations completed 6 |
| Log likelihood function -12.81880 |
| Restricted log likelihood -20.59173 |
| Chi-squared 15.54585 |
| Degrees of freedom 3 |
| Significance level .1404896E-02 |
+---------------------------------------------+
+---------+--------------+----------------+--------+---------+----------+
|Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X|
+---------+--------------+----------------+--------+---------+----------+
Index function for probability
Constant -7.452319647 2.5424723 -2.931 .0034
CM 1.625810039 .69388249 2.343 .0191 3.1171875
NP .5172894549E-01 .83890261E-01 .617 .5375 21.937500
PSI 1.426332342 .59503790 2.397 .0165 .43750000
Frequencies of actual & predicted outcomes
Predicted outcome has maximum probability.

Predicted
------ ---------- + -----
Actual 0 1 | Total
------ ---------- + -----
0 18 3 | 21
1 3 8 | 11
------ ---------- + -----
Total 21 11 | 32

EFECTOS MARGINALES
Los efectos marginales evaluados en la media de las variables independientes se obtienen en
forma directa en el programa limdep, tal como se muestra en el siguiente cuadro:
+-------------------------------------------+
| Partial derivatives of E[y] = F[*] with |
| respect to the vector of characteristics. |
| They are computed at the means of the Xs. |
| Observations used for means are All Obs. |
+-------------------------------------------+
+---------+--------------+----------------+--------+---------+----------+
|Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X|
+---------+--------------+----------------+--------+---------+----------+
Index function for probability
Constant -2.444733653 .75885194 -3.222 .0013
CM .5333470255 .23246407 2.294 .0218 3.1171875
NP .1696968191E-01 .27119788E-01 .626 .5315 21.937500
PSI .4679083617 .18764238 2.494 .0126 .43750000

El factor de escala del Probit(función de densidad normal estándar) es::

14
UNA PUNO FIE WGPM


 F X i    
( X i )2

  f X i     X i   
1
 e 2 (37)
 X i  2


 F X i   
(  0  1CM   2 NP  3 PSI )2
  f X i     X i   
1
 e 2
 X i  2
Reemplazando los datos tenemos:
( 7.452319647 1.625810039CM  0.05172894549 NP1.426332342 PSI )2

f X i   
1
e 2
2
Los promedios de las variables independientes son:
Descriptive Statistics
All results based on nonmissing observations.
Variable Mean Std.Dev. Minimum Maximum Cases
-------------------------------------------------------------------------------
CM 3.11718750 .466712831 2.06000000 4.00000000 32
NP 21.9375000 3.90150922 12.0000000 29.0000000 32
PSI .437500000 .504016129 .000000000 1.00000000 32
MEJORA .343750000 .482558704 .000000000

Reemplazando los promedios tenemos:

( 7.452319647 1.625810039( 3.1171875 ) 0.05172894549( 21.9375 )1.426332342( 0.4375 ))2

f X i   
1
e 2
2

f X i    0.328050023

La ecuación (38) es el efecto marginal en el modelo Probit:

(  0  1CM   2 NP  3 PSI )2

 Pr( Yi  1 ) 1 

 X
 f ( X i  ).  e 2 * (38)
2

 El impacto de un cambio en la media de las calificaciones pasadas del alumno es:

 Pr ob( Yi  1 )
 f ( X i  ) * 1  0.328050023* 1.625810039  0.53334702
CM
Esto implica que un incremento en las calificaciones pasadas del alumno en una unidad
(1 punto), entonces la probabilidad de que mejore la nota del alumno aumenta en 53.33%.

 El efecto de la nota del alumno en un examen previo al periodo de aprendizaje sobre la

variables mejora se obtiene de la siguiente forma:
 Pr ob( Yi  1 )
 f ( X i  ) *  2  0.328050023* 0.05172894549  0.01696968
NP

 EFECTO MARGINAL PARA UNA VARIABLE INDEPENDIENTE BINARIA(PSI).

El efecto de la variable independiente binaria se obtiene de la siguiente manera:

 Pr ob( Yi  1 )
 f ( X i  ) *  3  0.328050023* 1.426332342  0.46790836
PSI

15
UNA PUNO FIE WGPM

Sin embargo, este valor es solo una aproximación.

El procedimiento de cálculo del efecto de la variable binaria el procedimiento es similar a
los modelos logit con excepción de la función de distribución acumulada.

En el E-views se genero las siguientes series:

GENR MEJORA1 = 1-@CNORM(-(C(1) + C(2)*CM + C(3)*21.9375 + C(4)*1))
GENR MEJORA0 = 1-@CNORM(-(C(1) + C(2)*CM + C(3)*21.9375 + C(4)*0))

El siguiente cuadro muestra los resultados obtenidos.

Obs CM MEJORA0 MEJORA1

1 2.06 0.001497 0.061535
2 2.39 0.007511 0.157329
3 2.63 0.020594 0.269177
4 2.66 0.023138 0.285517
5 2.67 0.024043 0.291067
6 2.74 0.031245 0.331250
7 2.75 0.032407 0.337168
8 2.76 0.033604 0.343126
9 2.83 0.043038 0.385854
10 2.83 0.043038 0.385854
11 2.86 0.047688 0.404635
12 2.87 0.049324 0.410947
13 2.89 0.052732 0.423639
14 2.89 0.052732 0.423639
15 2.92 0.058190 0.442822
16 3.03 0.082065 0.513968
17 3.10 0.100712 0.559155
18 3.12 0.106568 0.571951
19 3.16 0.119009 0.597304
20 3.26 0.154487 0.658714
21 3.28 0.162347 0.670565
22 3.32 0.178832 0.693749
23 3.39 0.210116 0.732474
24 3.51 0.270625 0.792581
25 3.53 0.281495 0.801760
26 3.54 0.287007 0.806257
27 3.57 0.303845 0.819368
28 3.62 0.332840 0.839949
29 3.65 0.350745 0.851531
30 3.92 0.522193 0.930829
31 4.00 0.573669 0.946525
32 4.00 0.573669 0.946525

Para obtener los valores de Prob(mejora=1) evaluamos en los promedios de las variables y
utilizando los siguientes comandos en el E-views.
GENR MEJORA0 = 1-@CNORM(-(C(1) + C(2)*3.1171875 + C(3)*21.9375 + C(4)*0))
GENR MEJORA1 = 1-@CNORM(-(C(1) + C(2)*3.1171875 + C(3)*21.9375 + C(4)*1))

16
UNA PUNO FIE WGPM

Prob(Mejora=1)
1.0
CON PSI=1
0.8

0.6
0.570156
CON PSI=0

0.4

0.2
0.10573
3.1171875
0.0
2.5 3.0 3.5 4.0
Grafico N° 02
Efecto de la variable binaria PSI sobre las probabilidades

El efecto marginal de este método es la diferencia entre las dos funciones y toma valores tan
pequeños como 0.06 cuando CM = 2 hasta valores próximos a 0.5 cuando CM= 3.5. Esto
muestra que la probabilidad de que la nota de un estudiante mejore tras seguir un curso son la
nueva metodología es mucho mayor en alumnos con alta calificación media que un alumno con
baja calificación media. Si la calificación media del estudiante es la media muestral de esta
variable, es decir 3.1171875 la probabilidad de que mejore su nota aumenta
0.464( EM  0.570156  0.10573  0.464426 ) si ha utilizado el nuevo método didáctico.

ALGUNOS ESTADISTICOS

El estadístico razón de verosimilitudes es:

LR  2Ln Lˆ r  Ln Lˆ0 
Siendo L̂r y L̂0 las funciones de verosimilitudes logarítmicas evaluadas en el estimador
restringido y no restringido, respectivamente.
La verosimilitud restringida tanto para el modelo logit y probit es:
Ln Lˆ0  nP * LnP  (1  P) * Ln(1  P)
Siendo P la proporción de observaciones para las que la variable dependiente es igual a 1.
Si P = 11/32, tenemos:
 11  11   11   11 
Ln Lˆ0  32 * Ln   1   * Ln1  
 32  32   32   32 

Ln Lˆ0  20.5917296
La verosimilitud logarítmica no restringida es -12.8188, el estadístico razón de verosimilitudes
es:
LR  2 12.8188  (20.5917296)
LR = 15.5458592
El valor critico de un Chi-cuadrado con 3 grados de libertad(K-1=4-1) es 7.815, por lo que se
rechaza la hipótesis conjunta de que los coeficientes de la variables CM, NP y PSI son todos
ceros.

17
UNA PUNO FIE WGPM

EJERCICIO: CALCULO DE PROBABILIDAD DE UNA VIVIENDA

A continuación se presenta información sobre la propiedad de vivienda.

obs Y X
1 0 800.0000
2 1 1200.000
3 1 1800.000
4 0 1100.000
5 0 1200.000
6 1 1900.000
7 1 2000.000
8 0 1300.000
9 0 900.0000
10 0 1000.000
11 1 1700.000
12 1 1800.000
13 0 1400.000
14 1 2000.000
15 0 600.0000
16 1 1900.000
17 1 1200.000
18 0 1000.000
19 0 800.0000
20 1 1800.000
Donde:
Y: Variable dicotómica que toma el valor de 1 si la familia posee vivienda y 0 no posee.
X: Variable continua que representa el ingreso por familia en nuevos soles.
a) Estime el modelo de probabilidad lineal de posesión de una vivienda en función del
ingreso de las familias.
Especifique la ecuación estimada.
Interprete los coeficientes estimados, ¿Cuál seria la probabilidad de posesión de una
vivienda para una familia con ingresos de S/. 1200?
¿Cuáles son los principales problemas que enfrentan los modelos de probabilidad
lineal?.
b) Estime el modelo Probit de posesión de una vivienda en función del ingreso de las
familias.
Especifique la ecuación estimada.
Interprete los coeficientes estimados.
Calcule el factor de escala y luego el efecto marginal.
Interprete el efecto marginal.
Grafique la función de distribución acumulada.
Calcule algunos estadísticos.
c) Estime el modelo Logit de posesión de una vivienda en función del ingreso de las
familias.
Especifique la ecuación estimada.
Interprete los coeficientes estimados.
Calcule el factor de escala y luego el efecto marginal.
Interprete el efecto marginal.
Grafique la función de distribución acumulada.
Calcule algunos estadísticos.

18
UNA PUNO FIE WGPM

Solución a)

El Modelo de probabilidad lineal estimado por el E-views es:

Dependent Variable: Y
Method: Least Squares
Date: 03/14/04 Time: 01:47
Sample: 1 20
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C -0.757522 0.223134 -3.394911 0.0032
X 0.000918 0.000155 5.922812 0.0000
R-squared 0.660887 Mean dependent var 0.500000
Adjusted R-squared 0.642048 S.D. dependent var 0.512989
S.E. of regression 0.306917 Akaike info criterion 0.570160
Sum squared resid 1.695563 Schwarz criterion 0.669733
Log likelihood -3.701599 F-statistic 35.07970
Durbin-Watson stat 1.901557 Prob(F-statistic) 0.000013

La ecuación estimada queda expresada por:

Y = -0.757522 + 0.000918 X
(0.223134) (0.000155)
t= (-3.394911) (5.922812)
R2=0.660887

La probabilidad de que una familia con ingreso de cero soles posea una vivienda es -0.757522.
Como este valor es negativo y sabiendo que no existen probabilidades negativas se considera
como cero, lo cual es un caso razonable. La pendiente de la ecuación es 0.000918, significa que
para un cambio unitario en el ingreso de S/. 1.00, la probabilidad de poseer una vivienda en
promedio aumentas en 0.000918, cercano a 0.0918%.

La probabilidad de que una familia posea una vivienda con unos ingresos de S/. 1200 es igual
a:
Y = (Yi|X=1200) = -0.757522 + 0.000918(1200) = 0.344078

La probabilidad de que una familia con un ingreso de S/ 1200.00 posea una casa es
aproximadamente del 34.4%.

Problemas del modelo:

En el siguiente cuadro se puede notar la presencia de valores negativos y valores que

sobrepasan la unidad, contradiciendo claramente la restricción de que la probabilidad debe
estar entre 0 y 1 y nunca tomar valores negativos. Por esta razón el modelo de probabilidad
lineal no es recomendado en estimaciones en que la variable dependiente es dicotómica.
Además, este modelo presenta heterocedasticidad, Para solucionar este problema se podría
trabajar con mínimos cuadrados ponderados para obtener estimadores mas eficientes para los
errores estándar.

Los principales problemas con el modelo de probabilidad lineal se pueden resumir en:
 No normalidad en los residuos; El supuesto de normalidad en los modelos de
probabilidad lineal no es valido debido a que los errores solo pueden tomar dos valores,
es decir:

19
UNA PUNO FIE WGPM

Ui = Yi - 1 - 2Xi , entonces cuando Yi toma el valor de 1 se tiene:

Ui = 1 - 1 - 2Xi , y cuado Y toma el valor de cero:
Ui = - 1 - 2Xi , debido a esto no se puede suponer que los errores se distribuyen
normalmente, sino mas bien puede seguir una distribución binomial.
 Varianzas Heterocedasticas de los residuos: La varianza de los errores es heterocedastica
debido a que estos dependen de la esperanza condicional de Y, que depende a su vez del
valor que tome X.
El valor estimado es:

obs Actual Fitted Residual Residual Plot

1 0.00000 -0.02320 0.02320 | . * . |
2 1.00000 0.34396 0.65604 | . | . *|
3 1.00000 0.89470 0.10530 | . |* . |
4 0.00000 0.25217 -0.25217 | .* | . |
5 0.00000 0.34396 -0.34396 | * | . |
6 1.00000 0.98649 0.01351 | . * . |
7 1.00000 1.07828 -0.07828 | . *| . |
8 0.00000 0.43575 -0.43575 | *. | . |
9 0.00000 0.06859 -0.06859 | . *| . |
10 0.00000 0.16038 -0.16038 | . * | . |
11 1.00000 0.80291 0.19709 | . | *. |
12 1.00000 0.89470 0.10530 | . |* . |
13 0.00000 0.52754 -0.52754 | * . | . |
14 1.00000 1.07828 -0.07828 | . *| . |
15 0.00000 -0.20678 0.20678 | . | *. |
16 1.00000 0.98649 0.01351 | . * . |
17 1.00000 0.34396 0.65604 | . | . *|
18 0.00000 0.16038 -0.16038 | . * | . |
19 0.00000 -0.02320 0.02320 | . * . |
20 1.00000 0.89470 0.10530 | . |* . |

Solución b)

El modelo probit estimado en el E-views es:

Dependent Variable: Y
Method: ML - Binary Probit
Date: 03/14/04 Time: 01:49
Sample: 1 20
Included observations: 20
Convergence achieved after 7 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -6.118836 2.539339 -2.409617 0.0160
X 0.004577 0.001968 2.325117 0.0201
Mean dependent var 0.500000 S.D. dependent var 0.512989
S.E. of regression 0.311294 Akaike info criterion 0.690696
Sum squared resid 1.744272 Schwarz criterion 0.790270
Log likelihood -4.906964 Hannan-Quinn criter. 0.710134
Restr. log likelihood -13.86294 Avg. log likelihood -0.245348
LR statistic (1 df) 17.91196 McFadden R-squared 0.646037
Probability(LR stat) 2.31E-05
Obs with Dep=0 10 Total obs 20
Obs with Dep=1 10

20
UNA PUNO FIE WGPM

Los valores estimados, actuales y residuos se muestran en el siguiente cuadro:

obs Actual Fitted Residual Residual Plot
1 0.00000 0.00699 -0.00699 | . * . |
2 1.00000 0.26537 0.73463 | . | . *|
3 1.00000 0.98296 0.01704 | . * . |
4 0.00000 0.13906 -0.13906 | . *| . |
5 0.00000 0.26537 -0.26537 | .* | . |
6 1.00000 0.99501 0.00499 | . * . |
7 1.00000 0.99880 0.00120 | . * . |
8 0.00000 0.43281 -0.43281 | *. | . |
9 0.00000 0.02276 -0.02276 | . * . |
10 0.00000 0.06151 -0.06151 | . *| . |
11 1.00000 0.95169 0.04831 | . |* . |
12 1.00000 0.98296 0.01704 | . * . |
13 0.00000 0.61350 -0.61350 | * . | . |
14 1.00000 0.99880 0.00120 | . * . |
15 0.00000 0.00037 -0.00037 | . * . |
16 1.00000 0.99501 0.00499 | . * . |
17 1.00000 0.26537 0.73463 | . | . *|
18 0.00000 0.06151 -0.06151 | . *| . |
19 0.00000 0.00699 -0.00699 | . * . |
20 1.00000 0.98296 0.01704 | . * . |
Para graficar se utiliza la siguiente información:
obs YF XB
1 0.006995 -2.457532
2 0.265369 -0.626881
3 0.982959 2.119097
4 0.139062 -1.084544
5 0.265369 -0.626881
6 0.995013 2.576760
7 0.998795 3.034423
8 0.432813 -0.169218
9 0.022757 -1.999870
10 0.061512 -1.542207
11 0.951687 1.661434
12 0.982959 2.119097
13 0.613497 0.288445
14 0.998795 3.034423
15 0.000372 -3.372858
16 0.995013 2.576760
17 0.265369 -0.626881
18 0.061512 -1.542207
19 0.006995 -2.457532
20 0.982959 2.119097
Ordenando se tiene:
obs YF XB
1 0.000372 -3.372858
2 0.006995 -2.457532
3 0.006995 -2.457532
4 0.022757 -1.999870
5 0.061512 -1.542207
6 0.061512 -1.542207
7 0.139062 -1.084544
8 0.265369 -0.626881
9 0.265369 -0.626881
10 0.265369 -0.626881
11 0.432813 -0.169218
12 0.613497 0.288445
13 0.951687 1.661434
14 0.982959 2.119097
15 0.982959 2.119097
16 0.982959 2.119097
17 0.995013 2.576760
18 0.995013 2.576760
19 0.998795 3.034423
20 0.998795 3.034423

21
UNA PUNO FIE WGPM

La grafica de la función de distribución acumulada normal es:

1.0

0.8

0.6

YF 0.4

0.2

0.0
-3 -2 -1 0 1 2 3
XB
Graf ico 04: Función de distribución acumulada de la Normal

Solución c:
El modelo logit estimado por el E-views es:
Dependent Variable: Y
Method: ML - Binary Logia
Date: 03/14/04 Time: 01:49
Sample: 1 20
Included observations: 20
Convergence achieved after 7 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -10.36901 4.579077 -2.264432 0.0235
X 0.007763 0.003545 2.189554 0.0286
Mean dependent var 0.500000 S.D. dependent var 0.512989
S.E. of regression 0.314034 Akaike info criterion 0.707541
Sum squared resid 1.775109 Schwarz criterion 0.807114
Log likelihood -5.075411 Hannan-Quinn criter. 0.726979
Restr. log likelihood -13.86294 Avg. log likelihood -0.253771
LR statistic (1 df) 17.57507 McFadden R-squared 0.633887
Probability(LR stat) 2.76E-05
Obs with Dep=0 10 Total obs 20
Obs with Dep=1 10
Los valores estimados son:
obs Actual Fitted Residual Residual Plot
1 0.00000 0.01539 -0.01539 | . * . |
2 1.00000 0.25852 0.74148 | . | . *|
3 1.00000 0.97351 0.02649 | . * . |
4 0.00000 0.13825 -0.13825 | . *| . |
5 0.00000 0.25852 -0.25852 | .* | . |
6 1.00000 0.98763 0.01237 | . * . |
7 1.00000 0.99427 0.00573 | . * . |
8 0.00000 0.43110 -0.43110 | *. | . |
9 0.00000 0.03285 -0.03285 | . *| . |
10 0.00000 0.06874 -0.06874 | . *| . |
11 1.00000 0.94416 0.05584 | . |* . |
12 1.00000 0.97351 0.02649 | . * . |
13 0.00000 0.62220 -0.62220 | * . | . |
14 1.00000 0.99427 0.00573 | . * . |
15 0.00000 0.00330 -0.00330 | . * . |
16 1.00000 0.98763 0.01237 | . * . |
17 1.00000 0.25852 0.74148 | . | . *|
18 0.00000 0.06874 -0.06874 | . *| . |
19 0.00000 0.01539 -0.01539 | . * . |
20 1.00000 0.97351 0.02649 | . * . |

22
UNA PUNO FIE WGPM

Utilizamos estos datos para graficar la función de la distribución acumulada logistica:

obs YF XB
1 0.015386 0.000000
2 0.258524 0.000000
3 0.973507 0.000000
4 0.138246 0.000000
5 0.258524 0.000000
6 0.987633 0.000000
7 0.994272 0.000000
8 0.431097 0.000000
9 0.032847 0.000000
10 0.068740 0.000000
11 0.944157 0.000000
12 0.973507 0.000000
13 0.622202 0.000000
14 0.994272 0.000000
15 0.003297 0.000000
16 0.987633 0.000000
17 0.258524 0.000000
18 0.068740 0.000000
19 0.015386 0.000000
20 0.973507 0.000000
Ordenando:
obs XB YF
1 -5.711331 0.003297
2 -4.158772 0.015386
3 -4.158772 0.015386
4 -3.382493 0.032847
5 -2.606214 0.068740
6 -2.606214 0.068740
7 -1.829934 0.138246
8 -1.053655 0.258524
9 -1.053655 0.258524
10 -1.053655 0.258524
11 -0.277376 0.431097
12 0.498904 0.622202
13 2.827742 0.944157
14 3.604021 0.973507
15 3.604021 0.973507
16 3.604021 0.973507
17 4.380301 0.987633
18 4.380301 0.987633
19 5.156580 0.994272
20 5.156580 0.994272
La grafica de la función de la distribución acumulada logistica es:
1.0

0.8

0.6
YF

0.4

0.2

0.0
-4 -2 0 2 4
XB
Graf ico 05: Función de distribución Logistica

23