Regresin logstica

INDICE
INTRODUCCIN

TIPOLOGA DE MODELOS LOGIT

ETAPAS PARA CONSTRUIR UN MODELO LOGIT

APLICACIN PRCTICA

INTRODUCCIN (I)
TCNICA DE ANALISIS DE GRUPOS

Mtodo
Variables explicativas
Resultado

ANLISIS DE REGRESIN
Y = f (X
1
, X
2
, , X
K
)

con Y: variable categrica
f(): funcin logstica
- Anlisis Discriminante
- Regresin logstica

Diferencias
INTRODUCCIN (II)
AJUSTE LINEAL
-0.5
0.0
0.5
1.0
1.5
0 10 20 30 40 50 60
XI
E
N
D
O
G
E
N
A
Regresin tradicional Regresin logstica
NUBE DE PUNTOS
A AJUSTAR
PROBLEMAS DEL AJUSTE LINEAL:



Distribucin no normal de la perturbacin aleatoria
Heterocedasticidad
Valor estimado fuera del rango 0-1

0
2
4
6
8
10
0 2 4 6 8 10
X1
E
N
D
O
G
E
N
A
ENDOGENA vs. X1
INTRODUCCIN (III)
AJUSTE NO LINEAL

1
0
0,5
i
s
X
u ds e Yi
i
+ =
+

}
2
2 / 1
2
) 2 (
1
| o
t
Logit
Probit
Modelo Probit
i
X
X
i
X
i
u
e
e
u
e
Y
i k k
i k k
i k k
+
+
= +
+
=
+
+
| o
| o
| o
1 1
1
Modelo Logit
INDICE
INTRODUCCIN

TIPOLOGA DE MODELOS LOGIT

ETAPAS PARA CONSTRUIR UN MODELO LOGIT

APLICACIN PRCTICA

TIPOLOGA DE MODELOS LOGIT(I)
LOGIT
Respuesta binaria: LOGIT DICOTMICO
(0, 1)
Respuesta mltiple
(1, 2, , J)
Datos no ordenados:
LOGIT MULTINOMIAL
Datos ordenados:
LOGIT ORDINAL
TIPOLOGA DE MODELOS LOGIT(II)
LOGIT DICOTMICO
ki k
i
k k
i
k k
X
X
X
i
e
e
e
Y ob
| o
| o
| o +
+
+
+
=
+
= =
1
1
1
) 1 ( Pr
) (
Se modeliza una ecuacin cuyo resultado se interpreta como
probabilidad de pertenencia al grupo codificado como 1.
Caractersticas:
Expresin general del modelo:
i i
i
i
i
i
X X
X X
X X
i
e
e
e
Y ob
2 2 1 1
2 2 1 1
2 2 1 1
1
1
1
) 1 ( Pr
| | o
| | o
| | o + +
+ +

+
=
+
= =
Ejemplo:
Para el caso de dos variables explicativas
TIPOLOGA DE MODELOS LOGIT(III)
LOGIT MULTINOMIAL
- Se modelizan tantas ecuaciones como alternativas tiene Y.
- Para cada variable se estiman tantos parmetros como alternativas
de Y menos una.
- Es necesario identificar una categora de referencia.
Caractersticas:
Expresin general del modelo:
0 para
1
1
) 0 ( Pr
1
1
'
=
+
= =

=
j
e
Y ob
J
j
X
i
ki kj
|
) 1 ( ..., , 2 , 1 para
1
) ( Pr
1
1
'
'
=
+
= =

=
J j
e
e
j Y ob
J
j
X
X
i
ki kj
ki kj
|
|
TIPOLOGA DE MODELOS LOGIT(IV)
LOGIT MULTINOMIAL
Ejemplo:
Para el caso de 3 alternativas de Y (la primera es la que se toma como
referencia) y 2 variables explicativas
i i i i
X X X X
i
e e
Y ob
2 23 1 13 3 2 22 1 12 2
1
1
) 1 ( Pr
| | o | | o + + + +
+ +
= =
i i i i
i i
X X X X
X X
i
e e
e
Y ob
2 23 1 13 3 2 22 1 12 2
2 22 1 12 2
1
) 2 ( Pr
| | o | | o
| | o
+ + + +
+ +
+ +
= =
i i i i
i i
X X X X
X X
i
e e
e
Y ob
2 23 1 13 3 2 22 1 12 2
2 23 1 13 3
1
) 3 ( Pr
| | o | | o
| | o
+ + + +
+ +
+ +
= =
TIPOLOGA DE MODELOS LOGIT(V)
LOGIT ORDINAL
- Se modelizan tantas ecuaciones como alternativas tiene Y.
- Se estima un parmetro para cada variable explicativa y tantos
parmetros lmites como alternativas tiene Y menos una.
Caractersticas:
Expresin general del modelo:
) ' ( ) 0 ( Pr
i
k k i
X Y ob | A = =
) ' ( ) ' ( ) 1 ( Pr
1 i k ki k i
kX X Y ob | | A A = =
) ' ( ) ' ( ) 2 ( Pr
1 2 ki k ki k i
X X Y ob | | A A = =
) ' ( 1 )) 1 ( ( Pr
) 2 (
i
k k J i
X J Y ob | A = =

...
TIPOLOGA DE MODELOS LOGIT(VI)
LOGIT ORDINAL
Ejemplo:
Para el caso de 3 alternativas de Y y 2 variables explicativas
( ) | |
i i
X X LIMIT
i
e
Y ob
2 2 1 1 1
1
1
) 1 ( Pr
| | +
+
= =
( ) | | ( ) | |
i i i i
X X LIMIT X X LIMIT
i
e e
Y ob
2 2 1 1 1 2 2 1 1 2
1
1
1
1
) 2 ( Pr
| | | | + +
+

+
= =
( ) | |
i i
X X LIMIT
i
e
Y ob
2 2 1 1 2
1
1
1 ) 3 ( Pr
| | +
+
= =
INDICE
INTRODUCCIN

TIPOLOGA DE MODELOS LOGIT

ETAPAS PARA CONSTRUIR UN MODELO LOGIT

APLICACIN PRCTICA

ETAPAS PARA CONSTRUIR UN MODELO LOGIT(I)
ESPECIFICACIN
ESTIMACIN
VALIDACION
UTILIZACIN
Definicin de la variable endgena,
explicativas y forma funcional
Clculo de los parmetros
Individual: Ver que variables resultan
significativas estadsticamente
Conjunta: Ver si en conjunto el modelo es
aceptable
Prediccin
Interpretacin de los parmetros
ETAPAS PARA CONSTRUIR UN MODELO LOGIT(II)
ESTIMACIN
Mtodo de mxima verosimilitud
) log( ) log( )) ( log( max
) ( * ... * ) ( * ) ( ) ( max
0 y ... y 0 y 0 max
0 max

max
2 1
2 1
L tud verosimili de f uncin u f
u f u f u f u f
u u u prob
u prob
Y Y prob
n
n
i
i i
= =
=
= = =
=
=
(

+
+
(

+
=
+
+
+
+

i
i
i
i
X
X
i
X
X
i
e
e
Y
e
e
Y L
| o
| o
| o
| o
1
1 ln ) 1 (
1
ln log
RESOLUCIN A TRAVS DE UN ALGORITMO DE OPTIMICACIN
ETAPAS PARA CONSTRUIR UN MODELO LOGIT(III)
VALIDACIN
INDIVIDUAL: Contraste de hiptesis
CONJUNTA
0 :
0
= | H
Estadstico de contraste Wald =
|
|
.
|

\
|

2
)

|
| |
DT
Distrib.
similar a
t
2


1.
2.
Regla de decisin
0,00
0,05
0,10
0,15
0,20
0,25
0,30
13579
1
1
1
3
1
5
1
7
1
9
Acepto H
0
si:
Valor de estadstico Wald <
Niv. sig. >
3.
1. Pseudo R
2
=
) ( log
) ( log
1
reducido L
completo L

2. Porcentaje de aciertos: a travs de un punto de corte

2 / c
k n
t

+
2 / c
3. Razn de Verosimilitud = X
2
=
| | ) ( log 2 ) ( log 2 completo L reducido L
=
|
|
.
|

\
|
2
)

|
|
DT
Distrib.
similar a t
2

si H
0
cierta

c
2 / c
k n
t

2 / c
k n
t

ETAPAS PARA CONSTRUIR UN MODELO LOGIT(IV)
UTILIZACIN
PREDICCIN
i
k k
X
i
e
Y
| o

1
1

+
=
INTERPRETACIN DEL PARMETRO:
i
x
i
i
e
Y
Y
| o+
=

1

Ratio odds:
j
i
x
x
j
j
i
i
e
e
Y
Y
Y
Y
| o
| o
+
+
=

1

Razn entre
odds:
Caso especial:
Obs j con x=x
Obs i con x=x+1
| | o | | o
e e
x x
=
+ +
Signo
Cuanta
Efecto Marginal: )

1 ( *

i i k i
Y Y EM = |
INDICE
INTRODUCCIN

TIPOLOGA DE MODELOS LOGIT

ETAPAS PARA CONSTRUIR UN MODELO LOGIT

APLICACIN PRCTICA

APLICACIN PRCTICA
1. LOGIT DICOTMICO
- Salida bsica
- Salida completa
- Identificacin de atpicos
- Otros estadsticos para la valoracin global del modelo
- Eleccin del punto de corte ptimo: Curva COR
- Tratamiento de las variables categricas
- Clculo del Efecto Marginal
- Estimacin por pasos

2. LOGIT MULTINOMIAL

3. LOGIT ORDINAL