Modelos de respuesta cualitativa
Definición
Son aquellos modelos en que la variable dependiente es cualitativa, de tal modo que
los coeficientes β tendrán interpretaciones asociadas a probabilidades.
El modelo de probabilidad lineal
Es aquel en que la variable dependiente es binaria, tomando el valor de 1 cuando se
cumple cierta característica cualitativa y 0 en otro caso. Se estima por medio del
método de Mínimos Cuadrados Ordinarios. Matemáticamente, se puede representar
como:
Y i=β 0 + β 1 X 1+ …+ β k X k +ui
Y i= X i β +ui
Y i=
{ 1 , con p i=P ( Y i=1∨ X i )
0 , con 1− pi =P ( Y i =0∨ X i )
pi representa la probabilidad de éxito; es decir, que la variable dependiente tome el
valor de 1. Asimismo, 1− pi representa la probabilidad de fracaso que se dará cuando
la variable dependiente toma el valor de 0; es decir, cuando no se presenta la
característica cualitativa bajo estudio.
Nota: éxito no hay que verlo necesariamente como algo bueno, sino como que se está
presentando la variable cualitativa de estudio.
Nota: ¿ significa dado que.
P ( Y i=1∨ X i ): probabilidad de que Yi sea igual a 1 dado las variables X i. Por
ejemplo, la probabilidad de que a un individuo i le den un préstamo hipotecario
condicionado a sus características financieras captadas por la variables Xi
P ( Y i=0∨X i ): probabilidad de que Yi sea igual a 0 dado las variables Xi.
Con esto, la estructura de los errores vendrá dada por:
ui=Y i−X i β
Y i=
{
1− X i β , con p i
−X i β , con1−p i
Yi es el valor estimado de la variable (1 o 0)
Si Yi=1 el valor de ui sería 1− X i β . Esto se da con probabilidad pi.
Si Yi=0 el valor de ui sería −X i β . Esto se da con probabilidad 1− pi .
Asimismo, podemos calcular el valor esperado de la variable dependiente por 2
métodos. El primero, es tomar la esperanza condicional del modelo:
E ( Y i∨ X i )=E ( X i β∨ X i ) + E ( ui∨ X i )
Tomar la esperanza de Yi es igual a tomar la esperanza de X i más la
esperanza de ui, todo ello condicionado por la variable Xi.
E ( ui∨ X i )=0 por el supuesto de endogeneidad estricta (el modelo tiene que
cumplir los supuestos)
E ( Y i ∨ X i )= X i β
También se puede calcular por el método de la utilidad esperada tomando las
probabilidades como ponderación:
E ( Y i∨ X i )=1∗p i+ 0∗( 1− pi )
E ( Y i∨ X i )= pi
Igualando ambas formas de calculo podemos obtener la versión estimada del modelo
(por MCO):
^pi= X i β^
Esto implica que cada coeficiente β se interpretaría en términos de hacer aumentar o
disminuir, la probabilidad de éxito del individuo i. Por ejemplo, un coeficiente de -0.07
significa que, si la variable X aumenta en una unidad, la probabilidad de que la variable
Y=1 disminuye en 7%.
El modelo de probabilidad lineal presenta 2 problemas:
1. No necesariamente los coeficientes β estarán entre 0 y 1 en valor absoluto. En
cuanto, al primer problema tenemos que no existe ningún mecanismo dentro
del modelo de probabilidad lineal que asegure que el valor absoluto de todos
los coeficientes estará entre 0 y 1. Esto es un problema grave porque la
probabilidad solo tiene sentido en ese rango y los coeficientes deben
interpretarse como probabilidades.
2. Presentará problema de heterocedasticidad por su construcción misma. El
segundo de estos problemas puede resolverse por medio de Mínimos
Cuadrados Ponderados, pues en este caso conocemos la estructura de la
heterocedasticidad dada por:
[
Var ( ui∨x i )=E ( ui −E ( ui∨x i ) ) ∨x i
2
]
¿ E [ u2i ∨x i ]
¿ ( 1−x i β )2 pi + (−x i β ) 2 ( 1− p i)
¿ ( 1− pi ) 2 pi + p2i ( 1− pi )
¿ pi ( 1− pi )
3. Modelo Logit
Es un modelo en que la variable dependiente es binaria (o dummy), pero realiza un
ajuste sobre los términos de error, de tal modo que se asegure que los coeficientes β
estarán en el rango entre 0 y 1. De este modo, la estructura de probabilidad de los
errores viene dada por:
ui logística ( 0 , π 2 /3 )
Dado ello, la función de probabilidad acumulada vendrá dada por:
Xiβ
1 e
P ( Y i=1∨ X i )=F ( X i β ) = −X β
= X β
1+ e 1+e i i
Una importante limitación de este modelo es que los coeficientes no pueden
interpretarse directamente, habrá que hacer transformaciones para llegar a la forma
interpretable. Para esto, partiremos de la probabilidad de éxito y de fracaso bajo un
modelo Logit:
eX β i
pi=P ( Y i=1∨X i ) =
1+e X β i
1
1− pi =P ( Y i=0∨X i )=
1+e X β i
Para comparar el efecto tomaremos el ratio de ambas probabilidades (la de éxito y
fracaso)
eX β i
pi 1+e X β X β
i
= =e i
1− pi 1
X β
1+e i
ln
( )pi
1−p i
=ln e
X β i
ln
( )
pi
1−p i
=X i β
Con base a la última expresión, podemos despejar el coeficiente β :
β=
∂ ln
( )
pi
1− pi
∂ Xi
Finalmente, lo que se interpretará serán los efectos marginales dados por:
∂ P ( Y i =1∨X i ) e
Xi β
= ∗β= pi ( 1− pi ) β
∂ Xi ( 1+e X β ) i
2
Esto representa en qué medida varia la probabilidad de que la variable dependiente
valga 1 cuando la variable X aumenta en una unidad. (es lo que significa la derivada)
4. Modelo Probit
Es similar al modelo Logit, pero parte de asumir que los errores siguen una distribución
normal estándar: ui N ( 0 ,1 ) . Dado esto, la función de probabilidad acumulada se
corresponderá con la de la distribución normal estándar.
Xi β −z
2
1
P ( Y i=1∨ X i )=F ( X i β ) = ∫e
√2 π −∞
2
dz=ϕ ( X i β )
En este caso, el cálculo de los efectos marginales es más directo y estos vienen dados
por:
∂ P ( Y i =1∨X i ) ∂ ϕ ( Xi β )
= =φ ( X i β )∗β
∂ Xi ∂ Xi
El ultimo es fi minúscula ( φ ) y el primero fi mayúscula ( ϕ ) .
Nótese que fi mayúscula ( ϕ ) es la función de probabilidad acumulada de la
normal y fi minúscula ( φ ) es la función de densidad de la normal.
Nota: si la variable explicativa es una dummy, el efecto marginal se interpreta como
cambio discreto tanto en el modelo logit como en el modelo probit.
Δ P ( Y i=1∨ X i )
=F ( X i β∨ X i=1 )−F ( X i β∨X i =0 )
Δ Xi
5. Medidas de bondad de ajuste
Son estadísticos que muestran que tan bien se ajusta el modelo a los datos.
a. R2 de Mc-Fadden: Normalmente este R2 de Mc-Fadden no toma valores muy
altos, pues la variable dependiente, al ser binaria, no tiene mucha variabilidad
de valores.
b. Prueba de significancia conjunta:
H 0 : β 1=β 2=…=β k =0
2
RV =−2 ( ln L0−lnL ) X (k−1)
Si se rechaza la hipótesis nula de esta prueba, diremos que el modelo si es
conjuntamente significativo.
*En las medidas anteriores L0 representa la función de verosimilitud en su valor inicial
y L representa el valor de la función de verosimilitud en la última iteración. Esto se da
porque los modelos logit y provit se calculan por el método de Máxima Verosimilitud, el
cual se basa en iteraciones sucesivas.
CLASE PRACTICA 17/06/22
Ejercicios de computadora capítulo 17
1)
i)
Este modelo se estima por probabilidad lineal en tanto la variable dependiente es
binaria, siendo que vale 1 si es que el equipo favorito Las Vegas gana y 0 en otro
caso. A priori(es decir antes de la información dada por la experiencia) se puede decir
que el equipo tiene la misma probabilidad de ganar y no ganar(nótese que se dice no
ganar para incluir el escenario de que el equipo empate. De este modo la probabilidad
de que el equipo gane seria a priori es 50%, de modo que β0 será igual a 0.05
ii)
regress favwin spread
test _cons=0.5
regress favwin spread, robust
test _cons=0.5
. regress favwin spread
Source SS df MS Number of obs = 553
F(1, 551) = 68.57
Model 11.0636261 1 11.0636261 Prob > F = 0.0000
Residual 88.9038241 551 .161349953 R-squared = 0.1107
Adj R-squared = 0.1091
Total 99.9674503 552 .181100453 Root MSE = .40168
favwin Coefficient Std. err. t P>|t| [95% conf. interval]
spread .0193655 .0023386 8.28 0.000 .0147718 .0239593
_cons .5769492 .0282345 20.43 0.000 .5214888 .6324097
.
. test _cons=0.5
( 1) _cons = .5
F( 1, 551) = 7.43
Prob > F = 0.0066
.
. regress favwin spread, robust
Linear regression Number of obs = 553
F(1, 551) = 101.54
Prob > F = 0.0000
R-squared = 0.1107
Root MSE = .40168
Robust
favwin Coefficient std. err. t P>|t| [95% conf. interval]
spread .0193655 .0019218 10.08 0.000 .0155905 .0231405
_cons .5769492 .0316568 18.23 0.000 .5147664 .6391321
.
. test _cons=0.5
( 1) _cons = .5
F( 1, 551) = 5.91
Prob > F = 0.0154
En la primera línea estima el modelo de probabilidad lineal por mínimos cuadrado-
ordinarios. La segunda línea contrasta la hipótesis nula de que beta 0 es 0.5La tercera
línea estima el modelo de probabilidad lineal por mínimos cuadrado con errores
robustos. La cuarta línea contrasta la misma hipótesis mencionada, pero con los
resultados del modelo estimado por mínimos cuadrados con errores robustos.
En el test aplicado al modelo estimado por MCO se rechaza la hipótesis
nula(pvalue=0.0066) Como en el modelo estimado por mínimos cuadrados con errores
robustos(pvalue=0.0154) se rechaza la hipótesis nula de que β 2 sea igual 0.05.
iii)
La variable “spread” en el modelo es estadísticamente significativa. Asumiendo que
spread vale 10 podemos calcular la probabilidad de éxito asociada con base en el
primer modelo estimado:
regress favwin spread
predict yhat
sum yhat if spread==10
La primera línea ejecuta la regresión por MCO. La segunda línea guarda los resultados de esta
estimación. La tercera predice la probabilidad de que el equipo favorito “La Vegas” gane
condicionado a que su spread vale 10.
. regress favwin spread
Source SS df MS Number of obs = 553
F(1, 551) = 68.57
Model 11.0636261 1 11.0636261 Prob > F = 0.0000
Residual 88.9038241 551 .161349953 R-squared = 0.1107
Adj R-squared = 0.1091
Total 99.9674503 552 .181100453 Root MSE = .40168
favwin Coefficient Std. err. t P>|t| [95% conf. interval]
spread .0193655 .0023386 8.28 0.000 .0147718 .0239593
_cons .5769492 .0282345 20.43 0.000 .5214888 .6324097
. predict yhat
(option xb assumed; fitted values)
. sum yhat if spread==10
Variable Obs Mean Std. dev. Min Max
yhat 21 .7706044 0 .7706044 .7706044
Este ultimo resultado se interpreta como que, si spread vale 10, la probabilidad de que el
equipo favorito de las Vegas gane será de 77.06% en promedio.
iv)
probit favwin spread
test _cons=0
La primera línea estima el modelo por el método probit y la segunda contrasta la hipótesis nula
de que el β0 vale 0.
. probit favwin spread
Iteration 0: log likelihood = -302.74988
Iteration 1: log likelihood = -264.91454
Iteration 2: log likelihood = -263.56319
Iteration 3: log likelihood = -263.56219
Iteration 4: log likelihood = -263.56219
Probit regression Number of obs = 553
LR chi2(1) = 78.38
Prob > chi2 = 0.0000
Log likelihood = -263.56219 Pseudo R2 = 0.1294
favwin Coefficient Std. err. z P>|z| [95% conf. interval]
spread .092463 .0121811 7.59 0.000 .0685885 .1163374
_cons -.0105926 .1037469 -0.10 0.919 -.2139329 .1927476
. test _cons=0
( 1) [favwin]_cons = 0
chi2( 1) = 0.01
Prob > chi2 = 0.9187
Como se ve el modelo probit se estima de iteraciones sucesivas llegándose a una log-
verosimilitud de -263.56. Con estos resultados se contrasta la hipótesis nula de que β0 es igual
a 0.
*En el test que se realiza al final se obtiene un p-value de 0.9187, de modo que no se rechaza
la hipótesis nula de que el coeficiente de la constante β 0 es 0.
v)
probit favwin spread
predict phat
sum phat if spread ==10
La primera línea estima el modelo probit; la segunda guarda los resultados de dicha estimación
y la tercera predice la probabilidad de éxito cuando spread vale 10.
. probit favwin spread
Iteration 0: log likelihood = -302.74988
Iteration 1: log likelihood = -264.91454
Iteration 2: log likelihood = -263.56319
Iteration 3: log likelihood = -263.56219
Iteration 4: log likelihood = -263.56219
Probit regression Number of obs = 553
LR chi2(1) = 78.38
Prob > chi2 = 0.0000
Log likelihood = -263.56219 Pseudo R2 = 0.1294
favwin Coefficient Std. err. z P>|z| [95% conf. interval]
spread .092463 .0121811 7.59 0.000 .0685885 .1163374
_cons -.0105926 .1037469 -0.10 0.919 -.2139329 .1927476
. predict phat
(option pr assumed; Pr(favwin))
. sum phat if spread ==10
Variable Obs Mean Std. dev. Min Max
phat 21 .8196514 0 .8196514 .8196514
En este caso se obtiene que si spread vale 10 la probabilidad de que el equipo favorito de “Las
Vegas” gane será del 81.97%. Esto es un tanto mayor que lo que se estimó usando el modelo
de probabilidad lineal.
vi)
probit favwin spread favhome fav25 und25
estimates store Unrestricted
probit favwin spread
estimates store Restricted
lrtest Unrestricted Restricted
La primera línea estima el modelo con las variables adicionales con el método probit. La
segunda guarda los resultados de esta estimación como Unrestricted. La tercera estima por
probits sin consideras las variables adicionales. La cuarta guarda los resultados de esto como
Restricted. Y la quinta ejecuta el test de ratio de verosimilitud.
. probit favwin spread favhome fav25 und25
Iteration 0: log likelihood = -302.74988
Iteration 1: log likelihood = -264.23393
Iteration 2: log likelihood = -262.64279
Iteration 3: log likelihood = -262.64177
Iteration 4: log likelihood = -262.64177
Probit regression Number of obs = 553
LR chi2(4) = 80.22
Prob > chi2 = 0.0000
Log likelihood = -262.64177 Pseudo R2 = 0.1325
favwin Coefficient Std. err. z P>|z| [95% conf. interval]
spread .0878845 .0129491 6.79 0.000 .0625047 .1132642
favhome .1485753 .1370571 1.08 0.278 -.1200517 .4172024
fav25 .003068 .15869 0.02 0.985 -.3079587 .3140946
und25 -.2198082 .2505842 -0.88 0.380 -.7109443 .2713278
_cons -.0551801 .128763 -0.43 0.668 -.3075509 .1971907
.
. estimates store Unrestricted
. probit favwin spread
Iteration 0: log likelihood = -302.74988
Iteration 1: log likelihood = -264.91454
Iteration 2: log likelihood = -263.56319
Iteration 3: log likelihood = -263.56219
Iteration 4: log likelihood = -263.56219
Probit regression Number of obs = 553
LR chi2(1) = 78.38
Prob > chi2 = 0.0000
Log likelihood = -263.56219 Pseudo R2 = 0.1294
favwin Coefficient Std. err. z P>|z| [95% conf. interval]
spread .092463 .0121811 7.59 0.000 .0685885 .1163374
_cons -.0105926 .1037469 -0.10 0.919 -.2139329 .1927476
. estimates store Restricted
. lrtest Unrestricted Restricted
Likelihood-ratio test
Assumption: Restricted nested within Unrestricted
LR chi2(3) = 1.84
Prob > chi2 = 0.6061
En esta última prueba se obtiene un pvalue de 0.6061, de modo que no se rechaza la hipótesis
nula de que ambos modelos tiene el mismo poder explicativo. Por lo tanto, las tres variables
agregadas al modelo no contribuyen significativamente al mismo.
2
i)
regress approve white
probit approve white
margins, dydx(*) atmeans
. regress approve white
Source SS df MS Number of obs = 1,989
F(1, 1987) = 102.23
Model 10.4743407 1 10.4743407 Prob > F = 0.0000
Residual 203.59303 1,987 .102462521 R-squared = 0.0489
Adj R-squared = 0.0485
Total 214.067371 1,988 .107679764 Root MSE = .3201
approve Coefficient Std. err. t P>|t| [95% conf. interval]
white .2005957 .01984 10.11 0.000 .1616864 .239505
_cons .7077922 .0182393 38.81 0.000 .6720221 .7435623
. probit approve white
Iteration 0: log likelihood = -740.34659
Iteration 1: log likelihood = -701.33221
Iteration 2: log likelihood = -700.87747
Iteration 3: log likelihood = -700.87744
Probit regression Number of obs = 1,989
LR chi2(1) = 78.94
Prob > chi2 = 0.0000
Log likelihood = -700.87744 Pseudo R2 = 0.0533
approve Coefficient Std. err. z P>|z| [95% conf. interval]
white .7839465 .0867118 9.04 0.000 .6139946 .9538985
_cons .5469463 .075435 7.25 0.000 .3990964 .6947962
. margins, dydx(*) atmeans
Conditional marginal effects Number of obs = 1,989
Model VCE: OIM
Expression: Pr(approve), predict()
dy/dx wrt: white
At: white = .8451483 (mean)
Delta-method
dy/dx std. err. z P>|z| [95% conf. interval]
white .1504996 .016688 9.02 0.000 .1177918 .1832074
La primera línea realiza la regresión por el método de modelo de probabilidad lineal. La
segunda línea lo realiza por el método probit. Y la tercera calcula lo efectos marginales del
modelo probit. En cambio, en el modelo probit tenemos que los coeficientes resultantes no se
pueden estimar directamente, sino que hay que calcular los efectos marginales. Por lo tanto,
realizamos la interpretación del ultimo resultado que seria el efecto marginal: si una persona
es de raza blanca tendrá 15.05% mas de probabilidades de que le concedan el préstamo. Se
halla que este efeto es un tanto menor que el que se tenia bajo el modelo de probabilidad
lineal.
En el modelo de probabilidad lineal se obtiene que si un individuo es de raza blanca tendrá una
probabilidad mayor que 20.06% de que le concedan el préstamo que a una persona que no es
de raza blanca
ii)
probit approve white hrat obrat loanprc unem male married dep sch cosign chist pubrec
mortlat1 mortlat2 vr
margins, dydx(*) atmeans
. probit approve white hrat obrat loanprc unem male married dep sch cosign chist pubrec mortlat1 mortl
> at2 vr
Iteration 0: log likelihood = -737.97933
Iteration 1: log likelihood = -603.5925
Iteration 2: log likelihood = -600.27774
Iteration 3: log likelihood = -600.27099
Iteration 4: log likelihood = -600.27099
Probit regression Number of obs = 1,971
LR chi2(15) = 275.42
Prob > chi2 = 0.0000
Log likelihood = -600.27099 Pseudo R2 = 0.1866
approve Coefficient Std. err. z P>|z| [95% conf. interval]
white .5202525 .0969588 5.37 0.000 .3302168 .7102883
hrat .0078763 .0069616 1.13 0.258 -.0057682 .0215209
obrat -.0276924 .0060493 -4.58 0.000 -.0395488 -.015836
loanprc -1.011969 .2372396 -4.27 0.000 -1.47695 -.5469881
unem -.0366849 .0174807 -2.10 0.036 -.0709464 -.0024234
male -.0370014 .1099273 -0.34 0.736 -.2524549 .1784521
married .2657469 .0942523 2.82 0.005 .0810159 .4504779
dep -.0495756 .0390573 -1.27 0.204 -.1261266 .0269753
sch .0146496 .0958421 0.15 0.879 -.1731974 .2024967
cosign .0860713 .2457509 0.35 0.726 -.3955917 .5677343
chist .5852812 .0959715 6.10 0.000 .3971805 .7733818
pubrec -.7787405 .12632 -6.16 0.000 -1.026323 -.5311578
mortlat1 -.1876237 .2531127 -0.74 0.459 -.6837153 .308468
mortlat2 -.4943562 .3265563 -1.51 0.130 -1.134395 .1456823
vr -.2010621 .0814934 -2.47 0.014 -.3607862 -.041338
_cons 2.062327 .3131763 6.59 0.000 1.448512 2.676141
. margins, dydx(*) atmeans
Conditional marginal effects Number of obs = 1,971
Model VCE: OIM
Expression: Pr(approve), predict()
dy/dx wrt: white hrat obrat loanprc unem male married dep sch cosign chist pubrec mortlat1 mortlat2
vr
At: white = .8462709 (mean)
hrat = 24.80008 (mean)
obrat = 32.3898 (mean)
loanprc = .7704308 (mean)
unem = 3.888534 (mean)
male = .8132927 (mean)
married = .6595637 (mean)
dep = .7716895 (mean)
sch = .7701674 (mean)
cosign = .0289193 (mean)
chist = .8366312 (mean)
pubrec = .0684932 (mean)
mortlat1 = .0192796 (mean)
mortlat2 = .0106545 (mean)
vr = .4079148 (mean)
Delta-method
dy/dx std. err. z P>|z| [95% conf. interval]
white .0840258 .0158603 5.30 0.000 .0529402 .1151114
hrat .0012721 .001125 1.13 0.258 -.0009329 .0034771
obrat -.0044726 .0009767 -4.58 0.000 -.0063869 -.0025583
loanprc -.1634429 .0377172 -4.33 0.000 -.2373672 -.0895185
unem -.005925 .0028221 -2.10 0.036 -.0114562 -.0003937
male -.0059761 .0177503 -0.34 0.736 -.040766 .0288139
married .0429207 .0151637 2.83 0.005 .0132004 .0726411
dep -.0080069 .0062996 -1.27 0.204 -.0203539 .00434
sch .0023661 .0154793 0.15 0.879 -.0279728 .0327049
cosign .0139013 .0396833 0.35 0.726 -.0638764 .0916791
chist .0945286 .0156056 6.06 0.000 .0639421 .1251151
pubrec -.1257742 .0211588 -5.94 0.000 -.1672446 -.0843037
mortlat1 -.030303 .0409077 -0.74 0.459 -.1104808 .0498747
mortlat2 -.0798433 .052777 -1.51 0.130 -.1832844 .0235977
vr -.0324735 .0131019 -2.48 0.013 -.0581528 -.0067942
Para interpretar nos basamos en los efectos marginales. Si una persona es de raza blanca
tendrá 8.04% mayor probabilidad de que le concedan el préstamo en comparación con una
persona que no es de raza blanca. Como este efecto es estadísticamente significativo diremos
que hay evidencia de discriminación racial en el mercado crediticio.
iii)
logit approve white hrat obrat loanprc unem male married dep sch cosign chist pubrec
mortlat1 mortlat2 vr
margins, dydx(*) atmeans
. logit approve white hrat obrat loanprc unem male married dep sch cosign chist pubrec mortlat1 mortlat
> 2 vr
Iteration 0: log likelihood = -737.97933
Iteration 1: log likelihood = -634.97536
Iteration 2: log likelihood = -601.41194
Iteration 3: log likelihood = -600.49724 En
Iteration 4: log likelihood = -600.49616 el
Iteration 5: log likelihood = -600.49616
Logistic regression Number of obs = 1,971
LR chi2(15) = 274.97
Prob > chi2 = 0.0000
Log likelihood = -600.49616 Pseudo R2 = 0.1863
approve Coefficient Std. err. z P>|z| [95% conf. interval]
white .9377643 .1729043 5.42 0.000 .598878 1.27665
hrat .0132631 .0128802 1.03 0.303 -.0119816 .0385078
obrat -.0530338 .0112803 -4.70 0.000 -.0751427 -.0309249
loanprc -1.904951 .4604433 -4.14 0.000 -2.807404 -1.002499
unem -.0665789 .0328086 -2.03 0.042 -.1308826 -.0022751
male -.0663852 .2064292 -0.32 0.748 -.4709789 .3382086
married .5032817 .1779983 2.83 0.005 .1544114 .852152
dep -.0907336 .0733342 -1.24 0.216 -.234466 .0529989
sch .0412287 .1784038 0.23 0.817 -.3084363 .3908938
cosign .132059 .4460944 0.30 0.767 -.7422699 1.006388
chist 1.066577 .1712119 6.23 0.000 .7310075 1.402146
pubrec -1.340665 .2173659 -6.17 0.000 -1.766694 -.9146358
mortlat1 -.3098821 .46352 -0.67 0.504 -1.218365 .5986004
mortlat2 -.8946755 .5685814 -1.57 0.116 -2.009075 .2197237
vr -.3498279 .1537251 -2.28 0.023 -.6511237 -.0485322
_cons 3.80171 .5947074 6.39 0.000 2.636105 4.967315
.
. margins, dydx(*) atmeans
Conditional marginal effects Number of obs = 1,971
Model VCE: OIM
Expression: Pr(approve), predict()
dy/dx wrt: white hrat obrat loanprc unem male married dep sch cosign chist pubrec mortlat1 mortlat2
vr
At: white = .8462709 (mean)
hrat = 24.80008 (mean)
obrat = 32.3898 (mean)
loanprc = .7704308 (mean)
unem = 3.888534 (mean)
male = .8132927 (mean)
married = .6595637 (mean)
dep = .7716895 (mean)
sch = .7701674 (mean)
cosign = .0289193 (mean)
chist = .8366312 (mean)
pubrec = .0684932 (mean)
mortlat1 = .0192796 (mean)
mortlat2 = .0106545 (mean)
vr = .4079148 (mean)
Delta-method
dy/dx std. err. z P>|z| [95% conf. interval]
white .0735729 .0137284 5.36 0.000 .0466656 .1004801
hrat .0010406 .0010114 1.03 0.304 -.0009417 .0030228
obrat -.0041608 .0008802 -4.73 0.000 -.0058859 -.0024357
loanprc -.1494541 .0353217 -4.23 0.000 -.2186833 -.0802248
unem -.0052235 .002573 -2.03 0.042 -.0102665 -.0001805
male -.0052083 .0161902 -0.32 0.748 -.0369405 .0265239
married .0394853 .013864 2.85 0.004 .0123123 .0666582
dep -.0071186 .0057419 -1.24 0.215 -.0183726 .0041354
sch .0032346 .0139957 0.23 0.817 -.0241965 .0306657
cosign .0103608 .0349948 0.30 0.767 -.0582277 .0789492
chist .0836789 .0134619 6.22 0.000 .057294 .1100638
pubrec -.1051827 .0178968 -5.88 0.000 -.1402598 -.0701055
mortlat1 -.024312 .0363983 -0.67 0.504 -.0956514 .0470274
mortlat2 -.0701923 .0446376 -1.57 0.116 -.1576804 .0172958
vr -.027446 .012002 -2.29 0.022 -.0509695 -.0039224
modelo logit se obtiene en el efecto marginal que si una persona es de raza blanca tendrá una
probabilidad 7.36% mayor de que le concedan el préstamo en comparación con una persona
que no es de raza blanca.
iv)
Los tamaños de los efectos de discriminación ya los hemos estimado al calcular e interpretar
los efectos marginales pues estos nos permiten comparar la situación diferencial entre
personas de raza blanca y personas que no son de raza blanca.
