16_eleccion_binaria - Lissete Rivera Casavantes

Vista previa del material en texto

10. Elección Binaria
Pilar Alcalde
2 sem 2014
1. Supuestos de Gauss-Markov
Supuestos de Gauss-Markov:
1. Linealidad
2. No colinealidad perfecta
3. Muestreo aleatorio simple
4. Media condicional nula
5. Homocedasticidad
6. Normalidad
1. Variable dependiente binaria
Ejemplo: integración vertical.
Lieberman (1991): Es más probable que el productor se integre hacia atrás cuando:
1. Hay pocos proveedores.
2. Inversiones relevantes en activos específicos a la transacción.
3. Insumo representa un porcentaje importante del costo de producción. 
4. La demanda por el producto de la empresa es estable. 
5. Los otros compradores del insumo tienen una demanda con alta variabilidad.
6. La empresa representa un porcentaje grande de la demanda por el insumo. 
1. Variable dependiente binaria
1. Variable dependiente binaria
Empresa decide integración hacia atrás.
Variable binaria Y.
Distribución Bernoulli: 
Enfoque de variable latente:
D=1 tratamiento, D=0 control.
2. Modelo de Probabilidad Lineal 
Modelo de Probabilidad Lineal:
Variables latentes: u es uniforme, F(z)=z.
Interpretación parámetros
2. Modelo de Probabilidad Lineal 
2. Modelo de Probabilidad Lineal 
Pros?
Contras?
2. Modelo de Probabilidad Lineal 
2. Modelo de Probabilidad Lineal 
2. Modelo de Probabilidad Lineal 
3. Modelo Logit
Modelo Logit:
Variables latentes: 
	u es logística estándar, 
Interpretación parámetros
3. Modelo Logit
(GP 2010)
 
3. Modelo Logit
 
Mod. Lineal:
Mod. Logit: 
Dónde evaluamos?
Para X binaria: 
Odds:
Efecto parcial: 
Estimación por Máxima Verosimilitud
3. Modelo Logit
3. Modelo Logit
 
(MPL)
3. Modelo Logit
 
(MPL)
 
3. Modelo Logit
 
4. Bondad de ajuste
Pseudo-
Capacidad de clasificación
Test de Pearson
Test de Hosmer-Lemeshow
Curva ROC
4. Bondad de ajuste
4. Bondad de ajuste
4. Bondad de ajuste
10. Elección Binaria
Pilar Alcalde
2 sem 2014
0
1
2
3
4
5
Density
0.2.4.6.8
Fitted values
kernel = epanechnikov, bandwidth = 0.0190
Kernel density estimate
0
5
10
15
20
25
Density
0.2.4.6.81
empresa está integrada
0
.2
.4
.6
.8
1
u2
0.2.4.6.8
Fitted values
0
.5
1
1.5
2
2.5
Density
-1-.50.51
Residuals
kernel = epanechnikov, bandwidth = 0.0839
Kernel density estimate
(
)
)
(
1
)
(
)
|
1
Pr(
)
|
1
Pr(
b
b
b
b
i
i
j
ij
i
i
j
ij
i
i
X
X
dX
X
Y
d
dX
X
Y
d
L
-
L
=
=
=
=
)
0
|
(
)
1
|
(
)
|
1
Pr(
=
L
-
=
L
=
=
D
ij
i
ij
i
i
i
X
X
X
X
X
Y
b
b
)
exp(
1
b
p
p
i
i
i
X
=
-
(
)
1
)
exp(
)
exp(
)
exp(
-
=
D
=
j
i
j
i
j
X
O
X
dX
dO
b
b
b
b
0
1
2
3
4
5
0.2.4.6.8
x
MPLLogit
Predicted Probabilities
0.00
0.25
0.50
0.75
1.00
Sensitivity
0.000.250.500.751.00
1 - Specificity
Area under ROC curve = 0.6495