UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERIA ECONOMICA

CURSO : Econometría II
Profesor : Alfredo Pelayo Calatayud Mendoza

PRACTICA DIRIGIDA Nº 4

Con la siguiente base de datos del texto de William Green – Capitulo 21 (5ta edición):

obs cm np psi mejora Pr_PML Xb_L Pr_L LnLi

1 2.66 20 0 0 -0.0543 -3.6007 0.0266 -0.0269
2 2.89 22 0 0 0.0734 -2.7604 0.0595 -0.0613
3 3.28 24 0 0 0.2753 -1.4679 0.1873 -0.2073
4 2.92 12 0 0 -0.0176 -3.6272 0.0259 -0.0262
5 4 21 0 1 0.5778 0.2814 0.5699 -0.5623
6 2.86 17 0 0 0.0070 -3.3210 0.0349 -0.0355
7 2.76 17 0 0 -0.0394 -3.6036 0.0265 -0.0269
8 2.87 21 0 0 0.0536 -2.9121 0.0516 -0.0529
9 3.03 25 0 0 0.1698 -2.0793 0.1111 -0.1178
10 3.92 29 0 1 0.6246 0.8166 0.6935 -0.3660
11 2.63 20 0 0 -0.0682 -3.6855 0.0245 -0.0248
12 3.32 23 0 0 0.2834 -1.4500 0.1900 -0.2107
13 3.57 23 0 0 0.3993 -0.7435 0.3222 -0.3890
14 3.26 25 0 1 0.2765 -1.4293 0.1932 -1.6440
15 3.53 26 0 0 0.4123 -0.5711 0.3610 -0.4478
16 2.74 19 0 0 -0.0277 -3.4698 0.0302 -0.0306
17 2.75 25 0 0 0.0400 -2.8706 0.0536 -0.0551
18 2.83 19 0 0 0.0141 -3.2155 0.0386 -0.0394
19 3.12 23 1 0 0.5691 0.3634 0.5899 -0.8913
20 3.16 25 1 1 0.6087 0.6668 0.6608 -0.4143
21 2.06 22 1 0 0.0670 -2.7274 0.0614 -0.0633
22 3.62 28 1 1 0.8535 2.2523 0.9048 -0.1000
23 2.89 14 1 0 0.3680 -1.1430 0.2418 -0.2768
24 3.51 26 1 0 0.7815 1.7511 0.8521 -1.9112
25 3.54 24 1 1 0.7745 1.6456 0.8383 -0.1764
26 2.83 27 1 1 0.4766 -0.0755 0.4811 -0.7316
27 3.39 17 1 1 0.6314 0.5555 0.6354 -0.4535
28 2.67 24 1 0 0.3709 -0.8132 0.3072 -0.3670
29 3.65 21 1 1 0.7940 1.6710 0.8417 -0.1723
30 4 23 1 1 0.9773 2.8504 0.9453 -0.0562
31 3.1 21 1 0 0.5389 0.1166 0.5291 -0.7531
32 2.39 19 1 1 0.1886 -2.0803 0.1110 -2.1979
LnL=-12.8896
Variable dependiente:
mejora= Variable que indica si mejoró o no la nota del alumno tras un período de aprendizaje
Variables Independientes:
cm= media de las calificaciones pasadas del alumno
np= Nota del alumno en un examen previo al período de aprendizaje
psi= variable binaria que indica si en el período de aprendizaje estudió con el nuevo método didáctico.
Modelo de probabilidad Lineal
regre mejora cm np psi

Source | SS df MS Number of obs = 32

-------------+---------------------------------- F(3, 28) = 6.65
Model | 3.00227631 3 1.00075877 Prob > F = 0.0016
Residual | 4.21647369 28 .150588346 R-squared = 0.4159
-------------+---------------------------------- Adj R-squared = 0.3533
Total | 7.21875 31 .232862903 Root MSE = .38806

------------------------------------------------------------------------------
mejora | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cm | .4638517 .1619563 2.86 0.008 .1320992 .7956043
np | .0104951 .0194829 0.54 0.594 -.0294137 .0504039
psi | .3785548 .1391727 2.72 0.011 .0934724 .6636372
_cons | -1.498017 .5238886 -2.86 0.008 -2.571154 -.4248801
------------------------------------------------------------------------------

predict xb, pr_MPL

1
.8
.6
.4
.2
0

2 2.5 3 3.5 4
cm
mejora Linear prediction

logit mejora cm np psi

Iteration 0: log likelihood = -20.59173

Iteration 1: log likelihood = -13.259768
Iteration 2: log likelihood = -12.894606
Iteration 3: log likelihood = -12.889639
Iteration 4: log likelihood = -12.889633
Iteration 5: log likelihood = -12.889633

Logistic regression Number of obs = 32

LR chi2(3) = 15.40
Prob > chi2 = 0.0015
Log likelihood = -12.889633 Pseudo R2 = 0.3740

------------------------------------------------------------------------------
mejora | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cm | 2.826113 1.262941 2.24 0.025 .3507938 5.301432
np | .0951577 .1415542 0.67 0.501 -.1822835 .3725988
psi | 2.378688 1.064564 2.23 0.025 .29218 4.465195
_cons | -13.02135 4.931325 -2.64 0.008 -22.68657 -3.35613
------------------------------------------------------------------------------
predict xb, xb
predict pr_L, pr
Seleccione el mejor modelo, tomando los siguientes criterios:
1. Que los signos esperados de las variables tengan los signos correctos.
2. Que los coeficientes de las variables independientes sean significativos a un cierto nivel aceptable de
confiabilidad
3. Que la razón de verosimilitud (LR chi2) sea significativo en forma conjunta.
4. Que el logaritmo de máxima verosimilitud del modelo (log-likelihood) sea grande
5. Que los criterios de información (AIC y BIC) sean bajos.
6. Que el modelo clasifique correctamente en un mayor porcentaje (capacidad de predicción).
7. Que el pseudo-R2 sea grande.

Figura 1. Efecto marginal de PSI sobre Pr con el modelo logit

1
.8
.6
.4
.2
0

2 2.5 3 3.5 4
CM
pr0_l pr1_l

Explicar el efecto marginal de cm, np y psi sobre la probabilidad de mejorar la nota

del alumno.