Estadisticas

En el campo de las investigaciones de las ciencias: sociales, podemos encontrar diversas herramientas, que permiten obtener resultados y beneficios. El modelo logit permite obtener estimaciones de probabilidad de un suceso, así como la influencia o peso relativo que éstos tienen sobre las mismas, Este tipo de modelo arroja como resultado un índice, cuyos determinantes son conocidos, el cualpermite efectuar ordenaciones, Estos modelos son apropiados cuando la respuesta tienen uno de dos valores posibles que representa el éxito y el fracaso, o más generalmente la presencia o ausencia de un atributo de interés , para así ofrecer instrumentos que nos permitan dar soluciones.

El análisis de regresión es uno de los métodos más utilizados en el cual se busca encontrar modelos a partir delas relaciones causales entre una variable dependiente y una o más variables independientes, permitan predecir el resultado conociendo el valor estimados de una variable independiente

El análisis de regresión ha cobrado popularidad debido al gran número de paquetes estadísticos que lo incluyen y por ser un “proceso robusto que se adapta a un sinfín de aplicaciones científicas y ejecutivas quepermite la toma de decisiones” (Linne et al. 2000, p. 47, tras.)

La regresión logística es una técnica estadística multivariante que nos permite estimar la relación existente entre una variable dependiente no métrica, en particular dicotómica y un conjunto de variables independientes métricas o no métricas y además tiene la misma estrategia que el análisis de regresión lineal múltiple e, elcual se diferencia esencialmente del análisis de regresión logística por la que la variable dependiente es métrica; en la practica el uso de ambas técnicas tienen muchas semejanzas, aunque sus enfoques matemáticos son diferentes

Los modelos logísticos son adecuados para situaciones donde se quiere explicar la probabilidad p de ocurrencia de un evento de interés por medio de los valores deciertas variables “explicativas”. Si se asocia al evento de interés una variable dicotómica, entonces esta es una variable de Bernoulli. .salcedo (2004)

A continuación con mayor enfoque para el caso de variables explicativas y datos categóricos

1.1. Datos Categóricos

En el mundo de las ciencias sociales se emprende la búsqueda de las interpretaciones de datos realizadas por el investigador.Existen datos categóricos; utilizados para la investigación de carácter social, representado por características o cualidades como cada caso en uno de dos grupos (hombre/mujer, enfermo/sano, fumador/no fumador). Que permiten el análisis, explicación y el conocimiento de un hecho.

Para Christensen (1997) “El modelo logit ha sido en las últimas décadas una herramienta de gran utilidadanálisis estadístico de datos categóricos”

1.1.1. Variables Categóricas

Son valores de tipo categórico, es decir, cuyos niveles o categorías no son valores numéricos.

Existen dos tipos de variables categóricas, las binarias o dicotómicas y las multinomiales o policotómicas.

Las variables binarias constituyen un subconjunto muy importante de las llamadas variables categóricas ocualitativas, las cuales están muy presentes en la economía y las ciencias sociales. Una variable binaria es aquella que sólo puede adquirir dos posibles valores (Sí-No, 0-1, Verdadero-Falso, etc.). Mientras que las multinomiales tienen dos o más categorías de respuesta.

1.1.2. Datos Dicotómicos o Binarios

Para Ato y López (1981), el análisis de datos dicotómicos descansa sobreel supuesto de que las observaciones yi proceden de una distribución binomial yi~B(n,π) donde n es el número de ensayos y π es la probabilidad de la respuesta “éxito”. Un caso particular es la distribución Bernouilli, donde n= 1, que representa por yi~B(π).

Ambas distribución genera dos tipos de situaciones típicas en el análisis de datos:

En la primera, cada observación se toma...