Econometria1-Transp-tema5-2

Recommendations

Info

Regresión probit con varios regresores Pr(Y = 1|X1, X2) = Φ(β0 + β1X1 + β2X2) • Φ es la función de distribución normal acumulada. • z = β0 + β1X1 + β2X2 es el “valor z” ó “índice z” del modelo probit • β1 es el efecto en el “valor z” de un cambio unitario en X1, manteniendo constante X2 9-18
Ejemplo de STATA: datos HMDA . probit deny p_irat black, r; Iteration 0: log likelihood = -872.0853 Iteration 1: log likelihood = -800.88504 Iteration 2: log likelihood = -797.1478 Iteration 3: log likelihood = -797.13604 Probit estimates Number of obs = 2380 Wald chi2(2) = 118.18 Prob > chi2 = 0.0000 Log likelihood = -797.13604 Pseudo R2 = 0.0859 ------------------------------------------------------------------------------ | Robust deny | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------p_irat | 2.741637 .4441633 6.17 0.000 1.871092 3.612181 black | .7081579 .0831877 8.51 0.000 .545113 .8712028 _cons | -2.258738 .1588168 -14.22 0.000 -2.570013 -1.947463 ------------------------------------------------------------------------------ Veremos después los detalles de la estimación… 9-19
Page 1 and 2: Regresión con variable dependiente
Page 3 and 4: El modelo de probabilidad lineal (S
Page 5 and 6: El modelo de probabilidad lineal (c
Page 7 and 8: 9-7
Page 9 and 10: Incluyamos ahora la variable negro
Page 11 and 12: Probit and Logit Regression (SW Sec
Page 13 and 14: La regresión probit modeliza la pr
Page 15 and 16: Regresión probit (cont.) ¿Por qu
Page 17: Ejemplo de STATA: datos HMDA (cont.
Page 21 and 22: Ejemplo de STATA: datos HMDA (cont.
Page 23 and 24: Regresión logit (cont.) donde F(β
Page 25 and 26: Las probabilidades estimadas de los
Page 27 and 28: Estimación probit por mínimos cua
Page 29 and 30: Estimación probit por máxima veos
Page 31 and 32: Densidad conjunta de (Y1,Y2): Dado
Page 33 and 34: ó 1 ⎛ −1 ⎞ + − MLE MLE pˆ
Page 35 and 36: La verosimilitud probit con un regr
Page 37 and 38: La verosimilitud logit con un X •
Page 39 and 40: Distribución del EMV (MLE) para n
Page 41 and 42: 2. Igualar a cero la derivada de Λ
Page 43 and 44: 5. Sustituir y aplicar la LGN y el
Page 45 and 46: ⎛ ⎞ n 2 1 ∂ ln f( p; Yi) ∑
Page 47 and 48: Recuerda que: Por tanto, y y ∂ 2
Page 49 and 50: Numerador: so ∂ ln f ( pY , i )
Page 51 and 52: Resumen: EMV (MLE) probit , caso
Page 53 and 54: Resumen: distribution del EMV (MLE)
Page 55 and 56: El conjunto de datos HMDA • Datos
Page 57 and 58: Especificaciones para la regresión
Page 59 and 60: 9-59
Page 61 and 62: 9-61
Page 63 and 64: Resumen de los resultados empírico
Page 65 and 66: Resumen (SW Sección 9.5) • Si Yi

Econometria1-Transp-tema5-2

Create successful ePaper yourself

Delete template?

Save as template?