PROGRAMA DE DOCTORADO DE

ECONOMA APLICADA

ECONOMETRA APLICADA II

Anna Matas Prat

Curso 2004/2005

PARTE II: LOS MODELOS DE ELECCIN DISCRETA

1
NDICE

1. INTRODUCCIN

2. MODELOS DE ELECCIN BINARIOS

2.1. MLP

2.2. LOGIT Y PROBIT

2.3. INTERPRETACIN DE LOS COEFICIENTES

2.4. ESTIMACIN Y MEDIDAS DE BONDAD DE AJUSTE

2.5. ELASTICIDAD EN LOS MODELOS LOGIT

3. CASO DE ESTUDIO: DISPONIBILIDAD DE AUTOMVIL

3.1. ESTIMACIN DEL MODELO LOGIT

3.2. CLCULO DE ELASTICIDADES

4. MODELOS MULTINOMIALES

4.1. LOGIT MULTINOMIAL Y LOGIT CONDICIONAL

4.2. EL PROBLEMA DE LAS ALTERNATIVAS IRRELEVANTES

4.3.EL PROBIT MULTINOMIAL

4.4. LOS MODELOS GEV: LOGIT ANIDADO

4.5. OTRAS APROXIMACIONES

5. CASO DE ESTUDIO: ELECCIN NMERO DE AUTOMVILES

5.1. ESTIMACIN LOGIT MULTINOMIAL

5.2. CONTRASTE IIA

5.3. ESTIMACIN PROBIT ORDENADO

2
REFERENCIAS:

Wooldridge,J.M Econometric analysis of cross-section and panel data, cap.

15, Discrete Response Models, pgs: 453-516, MIT Press, 2002.

Greene, W.H. Econometric Analysis, cap. 21 Models for discrete choice,

pgs: 663-755, 5 ed. Prentice Hall, NJ, 2003

Train, K. Discrete choice methods with simulation, Cambridge University

Press, 2002.

Mc Fadden, D. (2001), Economic choices, American Economic Review, 91,

351-378.

3
1. INTRODUCCIN

Variable dependiente es una v.a. que toma un nmero finito de

valores. Modelizacin eleccin dentro de un conjunto discreto de

alternativas. Ejemplos:

a) Participacin en el mercado de trabajo

1. Busca trabajo

2. No busca trabajo

b) Eleccin medio de transporte

1. Coche

2. Autobs

3. Tren

c) Disponibilidad de automvil

1.

2. No dispone de automvil

3. 1 automvil

4. 2 automviles

5. 3 o ms automviles

4
CLASIFICACIN:

BINOMIALES: Slo dos alternativas (1 y 0)

MULTINOMIALES: Tres o ms alternativas

a. ORDENADOS. Puede establecerse un ranking

Nmero de automviles, grado de adhesin a una

poltica

b. NO ORDENADOS. Elecciones cualitativas

- Eleccin medio de transporte (depende esencialmente

caractersticas alternativa)

- Participacin mercado de trabajo (depende

esencialmente caractersticas individuo)

5
2. MODELOS BINOMIALES

P( y 1 | X ) P( y 1 | X ,..., X )
1 n

2.1. Modelo lineal de probabilidad

P( y 1 | X ) X ... X
0 1 1 k k

Coeficientes reflejan la variacin en la probabilidad de un

cambio unitario en X.

Inconvenientes:

- Probabilidad no est acotada entre 0 y 1

- Las perturbaciones son heteroscedsticas

- Impacto de un aumento unitario de xj en la probabilidad

es constante

2.2. Modelos ndice: logit y probit

6
P( y 1 | X ) G ( X )

Seleccionar G de tal manera que G(.) tome valores en el

intervalo abierto (0,1): 0 G( z) 1

En la mayor parte de aplicaciones, G es una funcin de

distribucin acumulada.

Modelo probit: asume una funcin de distribucin normal

G ( z ) ( v )d v
z

Modelo logit: asume una funcin de distribucin logstica

exp( z )
G( z)
1 exp( z )

7
Justificacin terica:

- Modelo variable latente

- Maximizacin utilidad

Derivacin: modelo de variable latente

y x ,
*

y=1 si y*>0

y=0 si y*<0

donde tiene media cero y varianza constante.

Si se distribuye de acuerdo con una funcin de distribucin

G simtrica:

P( y 1 | x ) P ( y 0 | x ) P( x | x ) P( x | x ) G ( x )
*

8
Interpretacin alternativa: Maximizacin utilidad aleatoria

Thurstone (1927), Marschak (1960), Quandt (1968) y McFadden (1974)

RUM models.

Individuo n se enfrenta a J alternativas.

Unj : utilidad de la alternativa j para n

Elige alternativa i si y solo si Uni>Unj ji.

La utilidad del individuo n puede expresarse como:

Unj = Vnj(Xnj, Sn) + nj

Vnj = componente determinstico, utilidad representativa

nj = componente aleatorio, gustos no observados

Pni = Prob (Uni > Unj ji) =

Prob (Vni + ni > Vnj + nj) =
Prob (Vni - Vnj > nj - ni) =
Prob (nj - ni < Vni - Vnj)

9
En general, V se especifica como una funcin lineal en los
parmetros .

V Z'
ni ni
Z (X ,S )
in ni n

P( ( Z 'i Z ' j )) P( Z *' )

Esta forma de caracterizar el proceso de eleccin afecta a la

especificacin de los modelos de eleccin discreta de dos
formas distintas:

La escala de medicin de la utilidad es irrelevante, lo

cual obliga a normalizarla.

Slo las diferencias de utilidad son relevantes para la

eleccin, lo cual influye sobre la interpretacin de:

Los trminos constantes de la funcin de utilidad

Las caractersticas socioeconmicas de los agentes

10
2.3 Interpretacin de los coeficientes: efectos marginales

a. Xj continua

p ( x ) dG
g ( x ) donde g( z) ( z)
x
j
j dz

Efecto marginal de xj en la probabilidad depende de X a

travs de g(X). Sin embargo, el signo del efecto viene dado
por el signo de j.

Probit: g ( z) ( z) donde ( z) es la funcin de densidad de

una normal.

exp( z )
Logit: g( z) P * (1 P )
1 exp( z )
2 i i

Adems, el efecto relativo no depende de X:

p ( x ) / x
j
j

p( x ) / xh
h

11
b. Xj discreta

Variable binaria que toma valores 1 y 0

G ( x ... x ) G ( x ... x )
1 2 2 k 1 k 1 k 1 2 2 k 1 k 1

Depende de todos los valores de X.

Variable que toma valores discretos (nmero de hijos)

G ( x ...
1 2 2 k 1
x k 1
c ) k k

G ( x ...
1 2 2 k 1
x k 1
( c 1))
k k

**
Elegir los valores de X

- Valores medios de la muestra

- Valores extremos de X
- Evaluar el efecto para cada observacin y calcular la
media
- Si X incluye funciones no lineales, es preferible calcular
el valor de la funcin para la media de la variable (ej.
logaritmo (X), logaritmo de la media o media de
logaritmos?).

12
2.4. Estimacin y medidas de bondad de ajuste

Estimacin mxima verosimilitud.

N observaciones independientes que siguen una

distribucin:

P( y 1 | X ) G ( X )

La densidad de yi dado xi puede escribirse como:

f ( y / xi ) G xi 1 G xi
yi 1 y

El logaritmo de L para cada observacin i

li ( ) yi log G ( xi ) (1 yi ) log1 G ( xi )

Para la totalidad de la muestra log(L)

L( ) i1 li ( )
N

Los estimadores logit y probit son consistentes.

13
Es posible calcular el error estandard (asinttico) de .

Contrastes:

- Estadstico t
- Razn de verosimilitud, Wald o LM.

Medidas de bondad del ajuste

- Significacin estadstica de j
- Pseudo R2 (McFadden) = 1 (ln L0 /ln L)
- Porcentaje de predicciones correctas.

Si G(Xi)0.5 yi = 1
Si G(Xi)<0.5 yi = 0

14
2.5. Elasticidades modelo logit

exp( z )
P i
i
1 exp( z ) i

dP
P (1 P )
i

dz
i i

z f (x )
i i

dP x dP dz x dz x
E
i i
P (1 P ) i i i i i

dx P dz dx P dx P
i i i
i i i i i i i

a) Si la relacin es lineal: z x
i 0 1 i

E (1 P ) x
i i 1 i

b) Si la variable est en ln: z ln( x )

i 0 1 i

E (1 P )
i i 1

15
De la misma forma pueden derivarse las elasticidades
cruzadas:

Para la relacin lineal:

dP x
E P x
i j

dx P
ij j j
j i

La elasticidad cruzada es la misma para cualquier alternativa

i (cuando hay ms de dos alternativas).

Modelo probabilstico implica:

P 0
k
k kj

k alternativas

Si k=2

P P 0
1 11 2 21

16
Elasticidad agregada

Media ponderada de las elasticidades individuales

Probabilidades como ponderacin:

P in nik
ik n 1
N

P
n 1
ni

i alternativa
n individuo
k atributo

Esta forma de calcular la elasticidad es equivalente a:

(P / x x ) (P / x )
* *
i i i i i i

(P / x x )
i i i

x i

17
Semi-elasticidad

dP dP
xi
P (1 P )
i

dx idx
i

i
1 i i

x
i

La semi-elasticidad recoge los puntos porcentuales de una

variacin de P para un 1% de variacin de x.

Variacin absoluta de la probabilidad para una variacin

porcentual de x.

18