Econometria1-Transp-tema5-2

Recommendations

Info

Ejemplo de STATA: datos HMDA . logit deny p_irat black, r; Iteration 0: log likelihood = -872.0853 Later… Iteration 1: log likelihood = -806.3571 Iteration 2: log likelihood = -795.74477 Iteration 3: log likelihood = -795.69521 Iteration 4: log likelihood = -795.69521 Logit estimates Number of obs = 2380 Wald chi2(2) = 117.75 Prob > chi2 = 0.0000 Log likelihood = -795.69521 Pseudo R2 = 0.0876 ------------------------------------------------------------------------------ | Robust deny | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------p_irat | 5.370362 .9633435 5.57 0.000 3.482244 7.258481 black | 1.272782 .1460986 8.71 0.000 .9864339 1.55913 _cons | -4.125558 .345825 -11.93 0.000 -4.803362 -3.447753 ------------------------------------------------------------------------------ . dis "Pred prob, p_irat=.3, white: " > 1/(1+exp(-(_b[_cons]+_b[p_irat]*.3+_b[black]*0))); Pred prob, p_irat=.3, white: .07485143 NOTE: the probit predicted probability is .07546603 9-24
Las probabilidades estimadas de los modelos probit y logit son habitualmente muy parecidas. 9-25
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 and 18: Ejemplo de STATA: datos HMDA (cont.
Page 19 and 20: Ejemplo de STATA: datos HMDA . prob
Page 21 and 22: Ejemplo de STATA: datos HMDA (cont.
Page 23: Regresión logit (cont.) donde F(β
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?