Escolar Documentos
Profissional Documentos
Cultura Documentos
Ibmec/RJ
Conteúdo
Introdução
▶ Exemplos:
1 / 20
Variável dependente binária
▶ Até agora, a variável dependente era quantitativa.
E (Y | X1 , X2 , . . . , Xk ) = β0 + β1 X1 + · · · + βk Xk = Xβ, (1)
E (Y | X) = 0 × P (Y = 0 | X) + 1 × P (Y = 1 | X)
E (Y | X) = P (Y = 1 | X) (2)
P (Y = 1 | X) = β0 + β1 X1 + · · · + βk Xk = Xβ, (3)
∆P (Y = 1 | X) = βj ∆Xj
▶ Na equação estimada,
P (Y\
= 1 | X) = βb0 + βb1 X1 + · · · + βbk Xk = X β,
b
4 / 20
Modelo de probabilidade linear – Exemplo 1
5 / 20
Modelo de probabilidade linear – Exemplo 2
▶ Variáveis:
• naft é uma dummy, sendo igual a 1 se uma mulher casada está na força
de trabalho, e 0, caso contrário;
• nesprend é a renda do marido;
• educ é o nı́vel de escolaridade;
• exper é o tempo de experiência anterior no mercado de trabalho;
• idade é a idade da mulher;
• crianmed6 é o número de filhos com idade inferior a 1 ano;
• crianma6 é o número de filhos com idade entre 6 e 18 anos.
▶ Resultados:
[ = 0.586 − 0.0034 nesprend + 0.038 educ + 0.039 exper − 0.0006 exper2
naft
(0.154) (0.0014) (0.007) (0.006) (0.00018)
N = 753, R2 = 0.264
6 / 20
Modelo de probabilidade linear – Exemplo 2
No gráfico, representamos o caso em que nesprend = 50, exper = 5,
idade = 30, crianmed6 = 1 e crianma6 = 0.
7 / 20
Modelo de probabilidade linear – Exemplo 2
▶ Mais um ano de educação aumenta a probabilidade de uma mulher
estar na força de trabalho em 0.038, em média, mantendo os outros
fatores constantes.
ou seja, depende de X.
• Erros-padrão e estatı́sticas convencionais não são válidas.
▶ Mesmo com esses problemas, esse tipo de modelo ainda é bastante útil e
usado em economia.
▶ Normalmente, o modelo funciona bem para valores das variáveis
explicativas que são próximos das médias nas amostras.
9 / 20
Modelos logit e probit
▶ Para resolver o problema encontrado em modelos de probabilidade
linear de que a probabilidade prevista pode ser maior do que 1 ou
negativa, podemos considerar a seguinte especificação para a
probabilidade de sucesso:
P (Y = 1 | X) = G (β0 + β1 X1 + · · · + βk Xk ) = G (Xβ) ,
em que 0 ⩽ G(·) ⩽ 1.
0 ⩽ P (Y = 1 | X) ⩽ 1.
1. função logı́stica;
2. c.d.f. da normal.
10 / 20
Modelos logit e probit
exp (Xβ)
G(Xβ) = Λ(Xβ) = .
1 + exp (Xβ)
11 / 20
Modelos logit e probit
▶ Ambas as funções G(z) acima são crescentes no argumento z.
▶ Essas funções crescem mais rapidamente quando z = 0.
12 / 20
Modelos logit e probit
▶ Para entendermos melhor, vamos considerar o modelo de variável
latente: suponha que Y ∗ seja uma variável não observada tal que
Y ∗ = Xβ + U, Y = I (Y ∗ > 0)
• A solução é numérica.
14 / 20
Interpretação dos modelos logit e probit
15 / 20
Interpretação dos modelos logit e probit
▶ Efeitos parciais: é necessário reescalonar os coeficientes pois o efeito
parcial depende de X e da distribuição G(·).
• Quando X for uma variável contı́nua:
∂P (Y = 1 | X) ∂G (Xβ)
= = g (Xβ) βj
∂Xj ∂Xj
em que g(·) = dG(z)/dz.
• Portanto, considerando uma variação ∆Xj em Xj , temos:
P (Y = 1 | X) ≈ g X β
∆b b βbj ∆Xj
▶ Os efeitos parciais
serão mais difı́ceis de serem analisados devido à
escala g X βb depender de X.
18 / 20
Modelos logit e probit – Exemplo
19 / 20
Modelos logit e probit – Exemplo
▶ Para comparar as estimativas logit e probit, é muito comum usar uma
regra de bolso de multiplicar as estimativas por 1.6.
▶ Já para comparar as estimativas com o MPL, usa-se normalmente o
efeito parcial na média, sendo o fator de escala neste exemplo 0.301
(para probit) e 0.179 (para logit).
▶ Portanto, o coeficiente escalonado de educ está por volta de
• 0.179 × 0.221 ≈ 0.040, no logit
• 0.301 × 0.131 ≈ 0.039, no probit
• ambos próximos de 0.038, do MPL.
▶ No caso da variável discreta crianmed6 (kidslt6), também temos
coeficientes escalonados parecidos:
• MPL: −0.262;
• logit: 0.179 × −1.443 ≈ −0.258;
• probit: 0.301 × −1.868 ≈ −0.261.
▶ Maior diferença entre o MPL e os modelos logit e probit:
• MPL assume efeitos marginais constantes;
• Modelos logit e probit implicam efeitos marginais não lineares.
20 / 20