modelos de elección discreta
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Modelos Multinomiales
TEMA 3. Modelos de Elección Discreta
Profesor: Pedro Albarrán Pérez
Universidad de Alicante. Curso 2010/2011.
Introducción
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Contenido
1
Introducción
2
Modelos para respuestabinaria
Modelo Lineal de Probabilidad
Modelos Probit y Logit.
3
Estimación por Máxima Verosimilitud
4
Efectos Marginales. Predicción de Probabilidades
Efectos Marginales
¾Qué Efecto Marginal Utilizamos?
Predicción de Probabilidades
Comparación de parámetros entre modelos
5
Inferencia sobre el modelo: Bondad de ajuste y Contrastes
6
Modelos Multinomiales
ModelosMultinomiales
Introducción
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Modelos Multinomiales
Introducción
En ocasiones analizamos datos donde la variable dependiente de interés
toma valores discretos:
1
Variable dependientes binarias: endeudarse o no
2
Variables discretas sin ordenación: modo de transporte (tren,
autobús, etc...)
3Variables discretas con orden: calicación/ rating nanciero
4
Datos de conteo (count data) con variables discretas ordenadas
que pueden tomar muchos valores diferentes: número de patentes de
una empresa
Introducción
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Modelos Multinomiales
Un modelo de regresión lineal puede no ser lo más adecuado enestos
casos
Los resultados son difíciles de interpretar: no se puede hablar de
cambio continuo
La variable dependiente sólo admite valores discretos, y puede que
sólo no-negativos
A veces, la variable dependiente debe entenderse cualitativa y no
cuantitativamente.
Podemos estar interesados en estimar la probabilidad de la
ocurrencia de los distintos valores de la variable dependiente
notanto en el valor esperado predicho
Empezaremos considerando el caso más sencillo: la variable dependiente
sólo toma dos valores (es binaria).
Introducción
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Modelos Multinomiales
Una variable binaria (toma sólo dos valores):
Yi
=
1
con probabilidad p
0
con probabilidad 1
−p
elvalor 1 denota que el individuo ha tomado alguna acción
sigue una distribución de Bernoulli
f (y )
E
= Pr (Y = y ) = p y (1 − p )1−y
(Y ) = Pr (Y = 1) = p
( Y ) = p (1 − p )
Var
NO estamos interesados en esta distribución incondicional de Y ,
sino en su distribución condicional:
dadas sus características, cuál es la probabilidad de que el individuo i
tome una acción (Yi
= 1)Generalizando el resultado anterior, la probabilidad de Y
=1
condicional en X es igual a la esperanza condicional de Y dado X
E (Y |X
( )
p x
= x ) = Pr (Y = 1|X = x ) = p (x )
podría ser cualquier función
Introducción
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Modelos Multinomiales
Modelo Lineal de Probabilidad
Modelo Linealde Probabilidad
El Modelo Lineal de Probabilidad simplemente supone que la
esperanza condicional de la variable binaria Y es lineal.
E (Y |X
= x ) = Pr (Y = 1|X = x ) = p (x ) = β0 + β1 x
Todo lo que ya sabemos sobre el modelo de regresión lineal se puede
aplicar directamente: estimación, contraste de hipótesis,
interpretación de los parámetros, etc.
Sólo debemos recordar que laesperanza condicional es, en este caso,
una probabilidad.
¾Por qué no se utiliza frecuentemente el Modelo Lineal de
Probabilidad?
Introducción
Modelos binarios
Estimación MV
Ef. Marginales. Predicción
Inferencia
Modelos Multinomiales
Modelo Lineal de Probabilidad
MLP: limitaciones
1
Heterocedasticidad. El Modelo Lineal de Probabilidad es, por
construcción,...
Regístrate para leer el documento completo.