Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

TEMA 4. Modelos para Datos Censurados y de Seleccin Muestral.

Profesor: Pedro Albarrn Prez

Universidad de Alicante. Curso 2010/2011.

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Contenido
1 2
Introduccin Modelo Tobit Introduccin Estimacin por Mxima Verosimilitud Diferencias con una simple Regresin Lineal Predicciones. Efectos Marginales Limitaciones del Modelo Tobit

3 4

Modelos en Dos Partes Modelos de Seleccin Muestral El Problema de Seleccin Muestral para la Inferencia Causal Modelo de Truncamiento Incidental

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Variables Censuradas y Truncadas

En ocasiones slo se observan los verdaderos valores de una variable de inters para una parte de la muestra disponible Los modelos de seleccin muestral constituyen una especialmente importante generalizacin de estos modelos.

Variables Censuradas:

para algunas observaciones, slo se sabe que

la variable es mayor (o menor) que un valor

censura por la derecha (o superior)
Y = Y, , U

Y < U si Y U
si

censura por la izquierda (o inferior)

Y = Y, , L

Y > L si Y L
si

La censura puede producirse por diversos motivos:

resulta del proceso de recogida de datos se puede interpretar como solucin de esquina en una decisin econmica

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Variables Truncadas:

la muestra excluye observaciones censuradas.

en el caso de censura por la derecha (o superior) Y

= Y

si Y

<U

en el caso de censura por la izquierda (o inferior) Y

= Y

si Y

>L

La censura/truncamiento puede considerarse como una situacin en que falta informacin (completa) sobre la variable dependiente
comparada con observar plenamente Y

En algunos casos el valor de censura es desconocido o diferente para cada individuo. Formalmente, la variable observada Y resulta de una mixtura de
un proceso latente continuo Y forma binaria

un mecanismo de seleccin (censura o truncamiento), modelizado en

Y D

= =

Y D + L (1 D ) 1, Y U 0, Y < U
si si

Introduccin Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Modelo Tobit: especicacin

Variable latente Y

Ui |X1i , . . . , Xki

Yi

0 + 1 X1i + + k Xki + Ui 2 N 0,

(1) (2)

Variable observada Y (censurada inferiomente en cero)

Yi

= max {0, Yi } = max {0, 0 + 1 X1i + + k Xki + Ui }

la generalizacin a censura superior y/o a que el punto de censura sea distinto de cero son triviales

Introduccin Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Alternativamente, se puede representar como

Yi

Yi ,
0,

si Y

i = 0 + 1 X1i + + k Xki + Ui > 0

en caso contrario

Otra formulacin

Yi

Yi ,
0,

i =1 si Di = 0
si D

(3)

donde D toma valor 1 si Y 1, 0, si

i > 0 y cero en caso contrario

Di

0 + 1 X1i + + k Xki + Ui > 0

en caso contrario

(4)

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Estimacin por Mxima Verosimilitud

Existen dos tipos de observaciones:
las no censuradas (que coinciden con la variable latente) las censuradas (con un nico valor).

La funcin de densidad debe denirse por partes:

i f (yi |xi ) = f yiY|x= ,0|x ) , Pr ( i i
si si

Di = 1 Di = 0

o tambin

f (yi |xi ) = [f (yi |xi )]Di [Pr (Yi = 0|xi )]1Di

i = Xi + Ui

Por simplicidad Y

Por el supuesto de normalidad del termino de error

f (yi |xi ) =
Si D

1 1 exp 2 2 22

yi Xi
i

Xi

i = 0, la variable latente debe ser menor o igual que cero: Xi Pr (Y = 0|x ) = Pr (Y 0) = Pr (U X ) =

i i i
=

Xi

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Estimacin por Mxima Verosimilitud

La contribucin a la verosimilitud de una observacin cualquiera (censurada o no)

f (yi |xi ) =

Xi Di

Xi

1Di

La funcin de log-verosimilitud ser

log L y1 , . . . , yn ; 0 , 1 , 2 = log log L , 2 =

n i =1

f (yi ) =

n i =1

log f (yi )

n i =1

i Di log X

+ (1

Di ) log

Xi

Los valores que maximicen esta funcin sern nuestra estimacin de los parmetros
la optimizacin no tiene frmula analtica cerrada

Nota: en el modelo Tobit, a diferencia del modelo probit, s se puede identicar la varianza del error

con datos binarios, no existe suciente variabilidad en la variable dependiente

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Diferencias con una simple Regresin Lineal

Un modelo de regresin lineal ignorando que hay observaciones censuradas ofrece una estimacin sesgada

porque considera los valores censurados como observaciones iguales al resto

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Diferencias con una simple Regresin Lineal

Se pueden ignorar los valores censurados para estimar?

donde

E [Yi |X ] = E [Yi |X , Yi > 0] Pr (Yi > 0) E [Yi |X , Yi > 0] = Xi + Xi /

Pr (Yi > 0) =
estimaciones sesgadas
se omite

X Xi + Xi / /

Xi /

Utilizar slo observaciones no censuradas tambin ofrece, en general,

(Xi /)

que estar correlacionado con las X

Adems,

se pierden observaciones con informacin relevante

a menor tamao muestral, mayores errores estndar de las estimaciones

en ocasiones no se observa el punto de censura

El problema con variables censuradas NO est en la falta de observabilidad, sino en una incorrecta especicacin Suponer que E [Y |X ] es lineal resulta inadecuado cuando la variable latente Y

es lineal

Introduccin Predicciones

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Predecir una variable censurada supone

predecir si la variable dependiente est censurada o no predecir su valor, si no est censurada

Para un modelo Tobit se necesita simplemente predecir el ndice

lineal

i = Xi = 0 + 1 X1i + + k Xki
El valor de la variable dependiente observada en la parte no censurada es:

Yi

= Yi = i = 0 + 1 X1i + + k Xki ,

si

i > 0

La probabilidad de la censura: Pr (Y

0)

= 0 + 1 X1i + + k Xki

= (i )

Introduccin Efectos Marginales

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Para los modelos censurados, existen varios efectos marginales de inters El efecto marginal sobre la variable latente:

E Yi |X1i , . . . , Xki Xki

i

= k

no muy relevante porque se observa Y

Yi = 0|X1i , . . . , Xki ) = Pr (Di = 0|X1i , . . . , Xki ) = ( ) i k Xki Xki donde i = 0 + 1 X1i + + k Xki es el ndice lineal.
Pr (
El efecto marginal sobre la variable truncada (slo sobre observaciones no censuradas)

El efecto marginal sobre la probabilidad de censura:

E Yi |X1i , . . . , Xki , Yi > 0) = Xki

1 i (i ) (i )

donde (i ) = (i ) / (i ) es la inversa del ratio de Mills.

El efecto marginal sobre la variable censurada (sobre observaciones

censuradas y no censuradas):

E Yi |X1i , . . . , Xki ) = ( ) i k Xki

Introduccin Efectos Marginales

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Segn las cuestiones relevantes, estaremos interesado en todos o slo en algunos de esos efectos marginales Los efectos marginales pueden calcularse de varias formas
evaluado en algn valor relevante de las variables explicativas evaluado en la media de las variables explicativas obteniendo la distribucin de efectos marginales evaluados en sus valores observados de cada individuo

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Limitaciones del Modelo Tobit

Generalizaciones triviales del modelo Tobit

Se pueden considerar ms de un punto de censura (censura superior e inferior simultneas) Se puede modelizar el ndice lineal con variables explicativas transformamadas no linealmente
log X2 ,

2 i 1 X1i + 2 X1i , 1 X1 + 2 X1i X2i ,

etc.

La variable dependiente puede haber sido transformada

Y

no ser normal y se necesita conocer su distribucin (para escribir

la verosimilitud, calcular la probabilidad de censura, etc. ) el modelo Tobit para datos log-normales: Y

U |X

i i
Y

= =

exp (0 N 0, Y
i,

+ 1 X1i + + k Xki + Ui )
si ln Y

0,

en caso contrario

donde

es el punto de censura.

Nota: se dice que Y sigue una distribucin log-normal, si su logaritmo ln Y sigue una distribucin normal.

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Limitaciones del Modelo Tobit

Problemas del modelo Tobit

El modelo Tobit depende crucialmente de los supuestos de normalidad y homocedasticidad del trmino de error
en el modelo de regresin lineal, independientemente de esos supuestos el estimador de MCO es consistente y se pueden calcular errores estndar robustos en el modelo Tobit, la estimacin e inferencia es invlida si alguno de los dos supuestos es incorrecto

Adems impone el mismo mecanismo para determinar la probabilidad de censura y el valor de las observaciones no censuradas
Los determinantes de la decisin de comprar pueden ser distintos de los que explican su valor (ej., tener un contrato indenido en la compra de una casa) La misma variable puede tener diferentes impactos sobre cada una de ellas (ej. la edad en la adquisicin de seguro de vida)

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Especicacin de un Modelo en Dos Partes

Modelo en dos partes

Se dene un indicador de censura:

Di =
1
1, 0, si

1, 0,

si si

Yi > 0 Yi = 0
(5)

La primera parte es un modelo probit o logit:

D

i=

0 + 1 W1i + + q Wqi + i > 0

en caso contrario

donde

sigue una distribucin normal (probit) o logstica (logit)

La segunda parte especica la esperanza condicional de la variable NO censurada

Y

exp (0

+ 1 X1,i + + k Xk ,i + Ui )
E (U |X1

si D

i =1

(6) (7)

i , . . . , Xki ) = 0
si

Notad que la expresin

ln

Yi = 0 + 1 X1,i + + k Xk ,i + Ui
(6) (7)
implican

(6)

equivale a

Di = 1 X k ,i + 2
2
(8)

Las ecuaciones

E (Yi |Di = 1, Xi ) = exp

0 + 1 1,i + + k

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Diferencias con el modelo Tobit

El modelo en dos partes

No est denido en funcin de ninguna variable latente

todas las ecuaciones del modelo se reeren directamente a variables observables.

No impone que las mismas variables y con el mismo coeciente determinen tanto Y como la censura D

Tampoco impone el mismo trmino de error para ambas ecuaciones

U y

pueden ser distintos y con distribuciones diferentes

sern, en general independientes entre s

Slo se supone que U en variables explicativas

(7)

es independiente en media de las

no se supone toda la distribucin con el Tobit

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Diferencias con el modelo Tobit

El modelo en dos partes es ms exible, tanto en sus supuestos como en el nmero de parmetros Si las restricciones del modelo Tobit son correctas, resulta ms eciente estimarlo
pero no siempre pueden compararse ambos modelos

Un modelo en dos partes con el supuesto adicional de normalidad s es una generalizacin del modelo Tobit para datos log-normales
este modelo en dos partes una formulacin ms general dentro de la misma clase de modelos como ambos modelos estn anidados, se puede contrastar si el resto de restricciones del modelo Tobit son correctas

Se tiene que realizar un contraste de ratio de verosimilitudes entre ambos modelos

se comprueba si las mismas variables y con el mismo coeciente estn en la ecuacin de censura y en la de valores no censurados

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Estimacin, Predicciones y Efectos Marginales

La estimacin pude hacerse por separado (cada parte con sus propias variables y supuestos distribucionales) o conjuntamente (en general, suponiendo elementos en comn)
los modelos en dos partes pretenden evitar la complejidad de la estimacin conjunta, pero sta facilita algunos constrastes de hiptesis: relaciones entre los coecientes de la primera y de la segunda parte del modelo

Existen tres magnitudes que se pueden querer predecir.

1 2 3

La probabilidad de censura, cuya prediccin puede obtenerse directamente de la estimacin de la primera parte del modelo El valor predicho de las observaciones no censuradas se obtiene directamente de la estimacin de la segunda parte del modelo El valor predicho de las observaciones (censuradas o no), E (Y |X

i i , Wi ) ,

incorpora ambas expresiones previas.

Asimismo, nos interesan los tres efectos marginales relacionados con estas magnitudes Notad que aqu no existe ninguna variable latente que predecir, ni para la cual estimar efecto marginal.

Introduccin Limitaciones

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Una de las principales ventajas del modelo en dos partes reside en que puede estimarse cada parte por separado. El supuesto clave para esto es la independencia entre los trminos de error de cada ecuacin

y U .

Sin embargo, existen situaciones en que este supuesto no es realista Relajar este supuesto nos lleva a una nueva clase de modelos, que tiene gran importancia en Economa.

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

El Problema de Seleccin Muestral para la Inferencia Causal

Problemas de Seleccin Muestral

Los problemas de Seleccin de Muestral son habituales con datos

observacionales

Seleccin Muestral NO Aleatoria

Diseo inadecuado de la encuesta (recogida de datos) Falta de respuesta selectiva de los individuos

Truncamiento incidental: no se observa una variable Y debido al

resultado de otra variable
Ej.: oferta salarial en funcin de educacin, etc.... slo para los que trabajan

Atrition en datos de panel: individuos no observados en periodos posteriores por razones relacionadas con el estudio
Ej.: programa de formacin

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

El Problema de Seleccin Muestral para la Inferencia Causal

Seleccin Muestral Exgena vs. Endgena

Seleccin Muestral Exgena o basada en las variables independientes (explicativas):
seleccin basada en factores independientes del trmino de error

=MCO
yi

consistente

= 0 + 1 xi + ui ,
Di

E (ui |xi )

= E ( ui xi ) = 0

=1

si se observa

( yi , xi )

Di yi E ( D i xi ui ) E (Di xi ui )

= 0 + 1 Di xi + Di ui
slo si D es una funcin de x

=0

= E [E (Di xi ui |xi )] = E [Di xi E (ui |xi )]

Seleccin Muestral Endgena o basada en la variable dependiente:

Ej.: Tobit, MCO sesgado

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Modelo de Truncamiento Incidental

Modelo de Truncamiento Incidental

Una variable latente de inters (similar a Tobit) Y Slo se observa Y un umbral D > 0

i = Yi

si otra variable latente (diferente) supera

ECUACIN DE SELECCIN

Di

1, 0,

i >0 si Di 0
si D

ECUACIN DE RESULTADOS (variable de inters)

Yi

Yi ,

si D

si D

i =1 i =0

(estrictamente, veremos que est seleccionada endgenamente)

Di

Yi es una variable truncada: no toma ningn valor (con sentido) si

=1

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Modelo de Truncamiento Incidental

Truncamiento Incidental (2)

Supuestos
Modelo Lineal (con errores aditivos) para variables latentes

Di Yi

= =

0 + 1 W1i + + q Wqi + U1i 0 + 1 X1i + + k Xki + U2i

errores posiblemente correlacionados modelo Tobit: un caso especial cuando D

i = Yi

(slo una ecuacin)

Normalidad conjunta y Homocedasticidad de los errores correlacionados

U1i U2i
la varianza

|Wi , Xi N

0 0

12

12 2 2

2 = 1 1

est normalizada a 1, como en el probit: slo se

observa el signo de D

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Sesgo de MCO. Estimacin en Dos Etapas

Estimacin por MCO

La esperanza condicional de la variable de inters (observada, truncada):

E (Yi |Xi , Wi , Di

= 1) = 0 +1 X1i + +k Xki +E (U2i |Xi , Wi , Di = 1)

Aunque E (U2 |X

i i , Wi ) = 0

porque U2 es independiente de X y W ,

el ltimo trmino no es igual a cero porque U2 S est relacionado con D a travs de su correlacin con U1

Se puede comprobar que:

E (U2i |Xi , Wi , Di
donde

= 1) = (1i )

1i (z )

= = =

0 + 1 W1i + + q Wqi
( )/( )

12/ 2 2

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Sesgo de MCO. Estimacin en Dos Etapas

Sesgo en MCO
Sabemos que la esperanza condicional es

E (Yi |Xi , Wi , Di

= 1)

= +

0 + 1 X1i + + k Xki 0 + 1 W1i + + q Wqi

Qu sucede si estimamos por mnimos cuadrados ordinarios la ecuacin Y en funcin de las variables X ?

Yi

= 0 + 1 X1i + + k Xki + i j j
??

Si

= 0,

la seleccin muestral es importante y el estimador MCO

estar sesgado
por la omisin de una variable relevante

(1i )

correlacionada con las variables explicativas X

Tampoco se puede incluir directamente parmetros

en

1i

(1i )

porque los

NO son conocidos

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Sesgo de MCO. Estimacin en Dos Etapas

Estimacin en Dos Etapas

El procedimiento de Estimacin en Dos Etapas para la correccin de

sesgo por Seleccin Muestral es:

1
Estimar inicialmente slo la ecuacin de seleccin (Probit) para toda

la muestra
Pr (D

i = 1|Wi ) = Pr (Di > 0|Wi ) = 0 + 1 W1i + + q Wqi

1i = 0 + 1 W1i + + q Wqi

se puede predecir para cada individuo el valor del ndice lineal

y calcular una variable con el valor para cada individuo del ratio de Mills predicho

i = (1i )
2
Estimar por MCO la ecuacin de resultados para la variable Y en la

muestra seleccionada incluyendo como variables explicativas Xi y Yi

= 0 + 1 X1i + + k Xki + k +1 i + i

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Sesgo de MCO. Estimacin en Dos Etapas

Estimacin en Dos Etapas (2)

La estimacin por MCO s es consistente

j k +1

j ,

= 1, . . . , k

Se puede contrastar fcilmente si existe seleccin muestral H0 Sin embargo, la estimacin en dos etapas NO es eciente:

:=0

estimando conjuntamente las dos ecuaciones la varianza de los parmetros estimados es menor

Adems, los errores estndar de MCO no estn adecuadamente calculados:

necesitan una correccin (distinta y ms compleja que calcular errores estndar robustos) para controlar que se utiliza una variable predicha realmente observada

en lugar de una

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Estimacin Conjunta por Mxima Verosimilitud

Estimacin Conjunta (Mxima Verosimilitud)

Para un individuo, debemos calcular la probabilidad de observar resultado Y

conjuntamente tanto la variable de seleccin Di como la variable de

f (yi , di |Wi , Xi )

Pr (D

i = 0|Wi ) , Pr (Di = 1|Wi ) f (yi |Xi , Di = 1) ,

si D

i =0 si Di = 1

La funcin de verosimilitud para todos los parmetros es:

L

, , 12 , 2 = 2
Pr (D

i =1

[Pr (Di = 0|Wi ; )]1Di

i = 1|Wi ; ) f

y |X

i i , Di = 1; , 12 , 2 2

Di

La estimacin conjunta del modelo de truncamiento incidental explota el supuesto de normalidad conjunta de los errores Esto permite escribir la forma concreta de la

funcin de

(log-)verosimilitud

Introduccin Identicacin del Modelo

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Limitaciones del Modelo de Truncamiento Incidental

Supuestos cruciales para la estimacin del modelo: normalidad conjunta y homocedasticidad
Si estos supuestos no son ciertos, las estimaciones no son consistentes

Incluso en la estimacin en dos etapas:

Yi

= 0 + 1 X1i + + k Xki + k +1 i + i

el trmino de correccin por seleccin muestral aditivo

i = (0 + 1 W1i + + q Wqi )
depende, en su expresin-forma funcional, del supuesto de normalidad

(z ) =

(z ) (z )

Introduccin Identicacin del Modelo

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Limitaciones (2)
Sin normalidad, se tendr (en muchas ocasiones) que

E (Yi |Xi , Wi , Di

= 1)

= +

0 + 1 X1i + + k Xki
g

0 + 1 W1i + + q Wqi

la funcin g

()

no est restringida a ser la inversa del ratio de Mills

Pero esta formulacin no es completamente general:

el trmino de correccin por seleccin muestral aparece aditivamente g

()

est restringida a depender del ndice lineal de la ecuacin de

seleccin

Problema: no se conoce la forma concreta de g

(),

a menos que

hagamos otro supuesto sobre la distribucin conjunta de los errores

Introduccin Identicacin del Modelo

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Identicacin
Cuando W

i = Xi , existen problemas de adecuada identicacin

sea una funcin no lineal, se puede aproximar

general del modelo Aunque g

()

linealmente y/o
g

(0 + 1 W1i + + q Wqi )

estar correlacionado con las X (o

alguna de ellas)

Esto supone un problema porque

puede existir multicolinealidad entre la correccin g variables explicativas X no est claro si g

(1i )

(1i )

y las

realmente recoge el efecto de seleccin

muestral o un trmino polinomial (omitido) de las variables X

Una forma concreta de g forma funcional concreta.

()

slo es creble cuando X

i = Wi

si

tambin aceptamos el supuesto distribucional que genera dicha

Introduccin Identicacin del Modelo

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Identicacin (2)
La adecuada identicacin del modelo requiere que las variables X sean un subconjunto de las variables W

i
i i

1 2

Todas las variables X se incluyen en la ecuacin de seleccin (Probit)

Restricciones de exclusin: algunas variables W

(instrumentos ) no

se incluyen en la ecuacin de resultados para Y (Lineal)

Las restricciones de exclusin permiten una variacin adicional en

(1i ),

distinta de la variacin de las X

i
i

evita confundir g

(1i )

con las variables X o funciones de sta

el modelo de seleccin es ms creble incluso si no se acepta el supuesto distribucional: g

()

ser una buena aproximacin a al

verdadera forma funcional de la correccin

PERO las restricciones de exclusin no son contrastables: se deciden

a priori y si no son ciertas el modelo estimado estar sesgado.

La teora econmica (o algn razonamiento) debera guiar qu variables pueden afectar la seleccin, pero no el resultado

Introduccin

Modelo Tobit

Modelos en Dos Partes

Modelos de Seleccin Muestral

Predicciones y Efectos Marginales

Predicciones y Efectos Marginales

En esencia, no existen diferencia con lo que ya sabemos para otros modelos. Segn nuestro inters, se puede querer predecir:
la probabilidad de seleccin (ecuacin probit) el valor de la variable de inters truncada (ecuacin con correccin) el valor de la variable latente de inters alguna combinacin de las anteriores

Tambin segn el caso, puede interesarnos los efectos marginales asociados a cada una de las expresiones anteriores En todos los casos, se necesita una adecuada estimacin (consistente, no sesgada) de los parmetros relevantes.