Econometría III
Control de Lectura
Miguel Andrés Chiu López
Gujarato, Econometría, Cap. 15.
Modelos de Regresión de Respuesta Cualitativa
Este capitulo considerar modelos de regresión en los cuales la variable
dependiente o de respuesta puede ser en sí misma de naturaleza cualitativa. En
los modelos en donde Y es cualitativa, el objetivo es encontrar la probabilidad de
que un acontecimiento suceda, como votar por el candidato demócrata, poseer
una casa, pertenecer a un sindicato, practicar algún deporte, etc. Por tanto, los
modelos de regresión con respuestas cualitativas a menudo se conocen como
modelos de probabilidad.
Hay cuatro métodos para crear un modelo de probabilidad para una variable de
respuesta binaria: 1. El modelo lineal de probabilidad (MLP)
2. El modelo logit
3. El modelo probit
4. El modelo tobit
el MLP tiene infi nidad de problemas, como 1) la no normalidad de los ui, 2) la
heteroscedasticidad de ui, 3) la posibilidad de que Yˆ i se encuentre fuera del
rango 0-1 y 4) los valores generalmente bajos de R2 . Pero estos problemas son
superables.
El modelo logit
Recuerde que en la explicación de la propiedad de vivienda en relación con el
ingreso, el MLP fue Pi = β1 + β2Xi
donde X es el ingreso y Pi E(Yi 1| Xi) signifi ca que la familia es propietaria de una
casa. Pero considere ahora la siguiente representación de la propiedad de
vivienda: Pi = 1/ 1 + e−(β1+β2Xi)
Para facilidad de la exposición, escribimos como Pi = 1/1 + e−Zi = eZ/ 1 + eZ ,
representa lo que se conoce como función de distribución logística , Si Pi, la
probabilidad de tener casa propia, está dada por, entonces (1 − Pi), la probabilidad
de no tener casa propia, es 1.
Modelo probit
El modelo de estimación que surge de una FDA28 normal se conoce comúnmente
como modelo probit, aunque algunas veces también como modelo normit., se
presenta el modelo probit basado en la teoría de la utilidad, o de la perspectiva de
selección racional con base en el comportamiento, según el modelo desarrollado
por McFadden.
Para motivar el modelo probit, suponga que en el ejemplo de propiedad de
vivienda, la decisión de la i-ésima familia de tener casa propia o de no tenerla
depende de un índice de conveniencia no observable Ii (también conocido como
variable latente), determinado por una o diversas variables explicativas, digamos,
el ingreso Xi, de manera que entre mayor sea el valor del índice Ii, mayor será la
probabilidad de que la familia posea vivienda. Expresamos el índice Ii como Ii = β1
+ β2Xi
Aunque para el ejemplo de las calificaciones los modelos logit, probit y MLP dan
cualitativamente resultados semejantes, nos centraremos en los modelos logit y
probit, en vista de los problemas con el MLP ya mencionados.
De los modelos logit y probit, ¿cuál preferiría? Para la mayoría de las aplicaciones,
los modelos son muy semejantes; la principal diferencia es que la distribución
logística tiene colas un poco más anchas, lo cual se observa en la fi gura 15.6. Lo
anterior signifi ca que la probabilidad condicional Pi se aproxima a cero o a uno
con una tasa menor en el modelo logit, en comparación con el probit.
Modelo tobit
Una extensión del modelo probit es el modelo tobit, En el modelo probit, el objetivo
era estimar la probabilidad de tener una casa propia como función de algunas
variables socioeconómicas. En el modelo tobit, el interés radica en averiguar la
cantidad de dinero que una persona o familia gasta en una casa en relación con
las variables socioeconómicas.
Consumidores de quienes se posee información sobre las regresoras (por
ejemplo, ingreso, tasa de interés hipotecaria, número de personas que forman la
familia, etc.) al igual que sobre la variable regresada (cantidad de gasto en
vivienda), y otro que consiste, por ejemplo, en n2 consumidores de quienes sólo
se tiene información sobre las regresoras pero no sobre la variable regresada.
Cuando en una muestra la información sobre la variable regresada está disponible
sólo para algunas observaciones, se conoce como muestra censurada. 36 Por
consiguiente, el modelo tobit también se conoce como modelo de regresión
censurada. Algunos autores los llaman modelos de regresión con variable
dependiente limitada debido a la restricción impuesta sobre los valores tomados
por la variable regresada. En términos estadísticos, el modelo tobit se expresa
como
Yi = β1 + β2Xi + ui
Modelos ordinales logit y probit En los modelos bivariados logit y probit, el interés
residía en construir un modelo para una variable de respuesta del tipo sí o no.
Pero a menudo la variable de respuesta, o regresada, puede tener más de dos
resultados, y con mucha frecuencia son ordinales por naturaleza; es decir, no
pueden expresarse en una escala de intervalo. Para estudiar estos fenómenos
extendemos los modelos bivariados logit y probit a fi n de que tomen en cuenta
múltiples categorías ordenadas.
Modelos multinomiales logit y probit En los modelos probit y logit ordenados, las
variables de respuesta tienen más de dos categorías ordenadas o jerarquizadas.
Pero existen situaciones en las que la regresada no está ordenada. Las técnicas
de los modelos probit y logit multinomiales sirven para estudiar esas categorías
nominales. Una vez más, las matemáticas intervienen en cierta medida. Las
referencias ya citadas ofrecen los elementos esenciales de esas técnicas.
Asimismo, el software estadístico ya mencionado es útil para aplicar tales modelos
si así se requiere en casos específicos.
Modelos de duración Considere preguntas como las siguientes: 1) ¿qué determina
la duración de los intervalos de desempleo?, 2) ¿qué determina la vida de un
foco?, 3) ¿qué factores determinan la duración de una huelga?, 4) ¿qué determina
el tiempo de sobrevivencia de un paciente VIH positivo? Materias como las
anteriores son el tema de los modelos de duración, popularmente conocidos como
análisis de supervivencia o análisis de datos del tiempo a un suceso.
El capítulo termina exponiendo estos modelos y dando ejemplos numéricos para
resolver.
