Scribd
Cargar
7 vistas2 páginas

Problemas y soluciones en modelos MPL

El documento aborda problemas en la estimación de modelos MPL, logit y probit, destacando la inadecuación del modelo MPL para variables de probabilidad y la baja utilidad del R² en este contexto. Se sugieren métricas alternativas como el pseudo R² y el uso de modelos logit o probit para mejorar la estimación. Además, se presentan fórmulas para calcular la probabilidad en el modelo MPL y el R² de conteo, así como la forma de estimar la seguridad de adquisición de un producto.

Cargado por

edson.becerra.calle.15
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
7 vistas2 páginas

Problemas y soluciones en modelos MPL

El documento aborda problemas en la estimación de modelos MPL, logit y probit, destacando la inadecuación del modelo MPL para variables de probabilidad y la baja utilidad del R² en este contexto. Se sugieren métricas alternativas como el pseudo R² y el uso de modelos logit o probit para mejorar la estimación. Además, se presentan fórmulas para calcular la probabilidad en el modelo MPL y el R² de conteo, así como la forma de estimar la seguridad de adquisición de un producto.

Cargado por

edson.becerra.calle.15
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

1.

Problemas en la estimación del modelo MPL, logit y probit:

 Modelo MPL (Mínimos Cuadrados Ordinarios):

o El modelo MPL asume una relación lineal entre las variables, lo cual puede no
ser adecuado cuando se trata de probabilidad, que debe estar restringida entre
0 y 1.

o Otro problema es la heterocedasticidad, ya que los errores no siempre tienen


la misma varianza.

o En algunos casos, puede haber multicolinealidad entre las variables


explicativas, lo que afecta la precisión de las estimaciones.

 Modelos Logit y Probit:

o La estimación de estos modelos puede ser sensible a la elección de la


distribución subyacente (logit usa una distribución logística y probit usa una
distribución normal), lo cual puede afectar la interpretación de los coeficientes.

o Ambos modelos son no lineales, lo que puede dificultar la interpretación


directa de los coeficientes.

o Además, como en el MPL, puede haber problemas de multicolinealidad.

2. Por qué el R² (coeficiente de determinación) tiene un valor bajo en el modelo MPL:

El R² bajo en el modelo MPL se debe a que este coeficiente mide la capacidad del modelo para
predecir las variaciones de las variables dependientes. Sin embargo, en modelos de
probabilidad (como el MPL), las variables dependientes son binarias, lo que hace que el R² no
sea una medida adecuada de ajuste, ya que la probabilidad predicha no sigue una distribución
normal.

3. Cómo arreglar el problema del R² bajo en el MPL:

Una posible solución es utilizar otras métricas de ajuste más apropiadas para los modelos de
probabilidad, como el pseudo R², que es más adecuado en este tipo de modelos. Otra
alternativa es emplear modelos logit o probit que están diseñados específicamente para
variables dependientes binarias.

4. Modelo MPL con cuatro variables explicativas:

Para un modelo MPL con cuatro variables explicativas, la fórmula básica sería:

Pi=11+e−(β0+β1X1+β2X2+β3X3+β4X4)P_i = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \beta_2


X_2 + \beta_3 X_3 + \beta_4 X_4)}}Pi=1+e−(β0+β1X1+β2X2+β3X3+β4X4)1

Donde:

 PiP_iPi es la probabilidad de que una empresa obtenga un préstamo bancario.

 X1,X2,X3,X4X_1, X_2, X_3, X_4X1,X2,X3,X4 son las variables explicativas (por ejemplo,
ingresos, nivel de deuda, antigüedad de la empresa, etc.).

 β0,β1,β2,β3,β4\beta_0, \beta_1, \beta_2, \beta_3, \beta_4β0,β1,β2,β3,β4 son los


coeficientes a estimar.
5. Cálculo de R² de Conteo:

Para calcular el R² de conteo, utilizamos la siguiente fórmula:

R2=1−∑i(Yi−Yi^)2∑i(Yi−Yˉ)2R^2 = 1 - \frac{\sum_{i}(Y_i - \hat{Y_i})^2}{\sum_{i}(Y_i - \


bar{Y})^2}R2=1−∑i(Yi−Yˉ)2∑i(Yi−Yi^)2

Donde:

 YiY_iYi son los valores observados (1 o 0).

 Yi^\hat{Y_i}Yi^ son los valores estimados por el modelo.

 Yˉ\bar{Y}Yˉ es la media de los valores observados.

Este valor puede calcularse utilizando los datos proporcionados en la tabla para YYY y
YestimadoY_{\text{estimado}}Yestimado.

6. Seguridad de la empresa para que adquieran su producto:

Para determinar la seguridad de que una persona adquiera el producto, calculamos la


probabilidad promedio de que la variable YYY sea 1, basada en el modelo estimado. Utilizando
los valores de YestimadoY_{\text{estimado}}Yestimado, la empresa puede estimar la
probabilidad de que un comprador potencial adquiera el producto.

También podría gustarte