Modelos Binários variável dependente ( Y) é dummy

: uma y =
{ç
LPM
/ - lo
get
\ Probit

① Linear Probalrli.ly Mo del l LPM )

Yi =
B, +
Pa escola + Rs Male : -1 E:
.

↳ yi =
{; ,
,
desempregado
Não
ralei =

{ •

°
,

,
Homens
Mulheres

a) Qual é a prole/ de um homem e / 12 ama de eseol/ estar

desempregado ?

P ( Í= o | escola 12 ; Male = t ) =
 ,
+ Âz * 02 1- Â ,
× 1

= 0,690951 -

01013573×121-0,117848×1 = 0,6453

garantido
'
Não é
que o valor obtido esta entre o e o

( te limita ecrã do LPM /

NOTA-i.PL Y = o ) = t -

PI 4=1 )

b) Efeitos Marginais
§ , = P ( } = 1 | escoe = O ; Male = o
) = 0.6909s →
A pvob/ de uma

mulher sem escola/

estar
desempregada
é de 69,095%
Escolaridade
Ex :

 ,
=
JPIY.io/- Âz = -

0,0136 - Quando a escolaridade

ducal aumenta o ano a prof / do individuo
estar
NOTA :
desempregado diminui em

media 1,36 pontos percentuais ( PP )

o
efeito marginal é constante letais pautas
e não
depende da vala das
variáveis ( 2 a- limitação do LPM /

Male

 , = P ( não / Male = o / -
P ( YI , | rale =
o
)
c-
±: Â A prole / de homem estar
desempregado
,
=
0.1178 → um

é ,
em media ,
11,78 pp
superior à de uma Mulher

com a mesma escolaridade

heteroieedaitieoslza-bmitae.ua
Os modelos LPM saã estimada por D- e são

do LPM ) iraniana a dar não é

seja
ou a erros

constante mas é dada por :

A escola
%
Po pa Male + g.
=
+ .

+
À:p ( :p )
/ Ei /
ME
Van = g .

Van ( Ei ) =
( por R escola t
Pi Male / ( . 1- ( Pot mescal + Pz Male ) )
fiz il : Padrão de hetero eed/
e como
adorada

cof / ( j ) embora Iates não são

a
eficientes
M Proposta de while .

=p Utilizar os
ertimadou.srolrnt-dnderui.cn Padrão da coeficientes
de modo a validar a
inferência estatura / Testes de hipótese )
( Proposta de while )

• Ou entao estimar por as o modelo transformado tendo em vista a

corre ecrã de hetroreedailicidade ( equivalente a estimar o modelo por EGLS

)
que consiste dividir modelo
em o
original por
:

ATÉ =
fio + À escola .

+ À Maki /( i -

I Pot À escola + À Maki ) )

÷E =

Irá ,
+ "
%Ê÷ ,
+ B
?¥÷r Éq ,
+

2) Modelos
Loget e Pro bit Probit
Ei~N→
YÊ po -1 ps escolhi -1Pa Male & Ei
get
=
, .
.
↳

d ME Eivloqs.LI
variável simétricas
latente ( não

{
*
' se 7. > o
observável ) definida Yi =

'
° se Yi E
do
seguinte modo :
o
 "
Yi Po escola -1Pa Male Ei
1-
po
.

-1
=
.
.

E.

Qual é Robalo / homem

a) a de um com

de escola / estar
12 anos
desempregado ?
fumão distribuiu de Rob / ( CBF)
N
P ( Í= o
| escola = 12 ; Mali
( ×:B )
=
1) = F
( Pot Â × 12 + À × '
) = F ( 0,32 )

ME
←
d
✓ a :p inventado
:
FI À B) =
0132
F 10.321
É
=
= = - - -

Probit : FCÁ B) ,
=
¢ ( :p ) × =
¢10,32 ) = o . ozss
falar da tabela Normal
)
Nota :
¢1 -
0,32 ) = 1 -

0110,32)

IEÇEe
"
b) Efeitos Marginais
=
.
+ Ei

modelos Pro bit estimativas eoef/ | B) interpretação

Nos
loget
sinal do
e as da não têm direta como
no LPM .
O
cof / ( Â) indica no entanto o sentido de
associação . . .

01K¥
• Escolaridade Função densidade de prole/ ( PDF )
se escoe _

✓
JP ( Í= o | escola = 02 ; Male =
a) À f ( f. + À À 1) ÂA )
× ✗
= ✗ 12 + =
10,32
escoe
Ç
a
Aiii BI
~
(ÉÀ÷
" "

iogt :
flx :B ) =

,
=
f. × e - = -
o . 068
µ e- " 32 2
+
)
?

Probit Ê "" B " Iz × O 132

"
11
fiéis ) é
¥g
-

Â
:

¥
=
= × e o,
059
, = -

,
-
Para homem escolaridade
um com Mana de se a mesma aumentar
o ano a prole / de ele estar desemp /
,
im
,
em média ,
5.9 pp .
ceterisparilun
NOTA : O efeito marginal modelos
dos logit e Pro bit não é constante

depende variáveis ( varia

p/individuo )
das
.

mas de individuo
 Male ( dummy )
-

P ( E- o | escola = 12 ;
rale
-
=
1) -
P ( YÍ o
/ esed = r : Male
-
-
-
o
) =

= F /À + À ✗ 12 + À ✗
1) -
F ( fo -1 À ✗ 12-1 À × O )
3 mg

= F ( 0132 ) -
F ( 0,2s ) inventado
1
lognt
Ê÷ Ê÷
:
A prole/ de
-

= o , os -

um homem e/
Rohit : Q lo , ] 2) -

¢ lo . as / a zona de eseoll
✓ estar desempl é , em

Tabela Normal media

,
o
pp superior á
de uma Mulher e / a mesma

escolaridade

7 EfutnMargmais_ : 4¥ =
Po + Ao Xii + piada .
+ -
- -
+ E .

g)
•
Para individuo concreto / dadas características / exemplo
um em e

acima )
At the the
2) averaye of regressou
" "

calcula
efeito marginal
individualismo
o
para o

P( E- |
) o ×. = À i *a -
-
À : - -
.

método
Nota : Este nã

JÁ épossivel se alguma
das variáveis
explicativas 69
uma Chummy uma

media
vez que
Average of marginal effect
a

3 the
de uma
dummy não
dá 0 1
calcular
nem
vamos o
efeito marginal para
cada dos de amostra
um indivíduos Ii = o ir . . .
, n )
e depois fazemos a medeia dos
efeitos marginais

Ê |";YÊ'^
 Os modelos Logrt e Pro bit são estimados maxíina
por
verosimilhança ( ML ) onde o
objetivo é encontrar as

estimativas dos
coeficientes ( pio  ,
e Â) que maximizam
a
funeaò verosimilhança I L ) ou
prole/
seja maximizam a

da amostra ocorrer

• Indicada da qualidade do
afastamento / modelo
McFadden R2 →
Não tem a mesma interpretação
'
do R ( varia entre
( ou pseudo R2 ) o e 1 e quanto
mais próximo melhor
de o
/
" "
likehhood
lnF 10g
-

'
Ps .
R = | -

"

tenho likehhood
_
" Resta log
do modelo só com

termo indepl ( Pi)

da
• Indicador qualidade provisional do Modelo
Observe d

Y = o Y =P

Ê O
b Falsos
Negativos
=
a
Predicted

I = o c d Acerta

Falsos Positivos
/ho n, n

a- No de
_

individua que o modelo prevê que não estao

desemp ( 4- = o ) e realmente não estao (4--0) ( acerta)

corretas

a-lnd-xooo-E.at#
% de Previsões :

✗ 100 = 85,42 O modelo acerta 85.42% a: b =

das previsões c- D=
que faz
-

Taxa Aparente de Erro ( % de previsões erradas)

TAE =

bff * 100 = 04,58

 é modelo prevê ?
Como que
o

Ana
/
Para cada individuo ( i = 0,2 .
.

,
n/

And se P ( YI , / escolar ; Male =

)
o > 0,50 Ê = 1

{
i -

_ o

Ned = 12

Y, = O

Male = 0 Se PIYÍ , | escolar ; rale -

. o ) fo , so Ê = o

Testes de hipotese . Nos modelos LPM

utilizar os testes t e F habituais
mas cuidado
que só são válidos e / a Proposta de while
uma modelo
vez que o
LPM é hetero eedailico
modelos
• Nos
loget e Pro bit temos o teste LR

Yi
"
=
po -1 ps ,
escdt pa Male + Ei

probl estar ?
A de
desempregado depende do
genero
( )
{
Ho Não
:
Ba =
o

Ho -1-0 ( sim)
:
paz

Pvalue = 0,3346 > ✗ =

010s

Não
rejeitamos Ho

A % de homens e Mulheres

desempregadas não é

significativamente diferente
 Teste LR ( Nos modelos Logit e Pro bit )

(v ) Modelo não restrito ( com todas as variáveis )

2 modelos :
q
( R ) Modelo Restrito ( idêntico ao Iv ) mas
sujeito a Ho )
Exemplo

Pa escola A } Matei
"
µ) Yi = B. +
.

+ 1- ui

estar
A probabilidade de
desempregado depende do
género ?

Não )

{ Ho :
P} = O (
Ho =/ ( sim )
:
p} o

#
(R) Yi B. + pa escola -1 Mi
.

" "

Ertatntica de teste
" • retrica ou ride =

pf ( Neste
Ho
em caso P -
_ o
)
na ×,
LR = -
2 / lnlr - en ↳
) ,

i
"
i tabela
"
bllehhood "

lag
"
likehhood
eog
-

¥Ç
do modelo IRI do modelo ( v )
k
se [ Robs 9 C =) Para ✗ = . . .
% D8 =P
DEA <
refutamos
: •
Ho Pr = o
g
se [ Robs E
valor tabela
E
=) Para ✗ = . . . %
não Ho
ry .

Modelo ( v ) Modelo ( R )
 Teste de significância Global

Ar escola A } Matei
"
(U ) Yi = B. +
.

+ 1- Mi

(
significativo)
Modelo não é
{
Ho :
pa =
As = O

Ho ( Modelo é
pa posto globalmente significativo )
:
# ou

(R ) Yi
"
=
p , 1- Mi

" "

Estatística de teste
Ni de restrição ou rede =

[ ( Neste )
em " °
caso p=z
2
LR = -
2 / lnlr - ln Lu
) na ✗
,

1 \
"
" " tabela
Resta bllehhood bllehhood
lag
"

lag
-
. -

(a) ( )
Lai
b

D8 =p
• < Pr = ✗
d
valor tabela
Decisao :

Se [ Robs 9 C Para ✗ = . . .
%

rejeitamos Ho

se [ Robs E
E
Para ✗ = . . . %
não Ho
ry .

ou

se Pvalue < a → Para ✗ = . . .

%

rejeitamos Ho

se P valeu > ✗
para (b )
_

✗ = . . . %
.

nao Ho
ry .

( a)
LROBS =

Pvalue =

N° de
emprego .
N: de
desempregados
14=0 ) (y =
1)
" "

dependentes ar F Yi
{ desemp /
o
Mean =
-
_
,

O ,
Não

9-
Ên
h
=
- EM : = n .
}

|
1--1

| \
| uneluded
Mean dependentvar
N° total obervations
% de
desempregada de
(4--0) na amostra desempl
( y = 1)