Descarga la aplicación para disfrutar aún más
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
Compartir