You are on page 1of 2

PORQUE ELEGIR ENTRE UN MODELO LOGIT O UN MODELO LOGIT

Cuando se desea evaluar la probabilidad de ocurrencia de un evento dadas un conjunto
de variables explicativas, y en el cual solo existen dos posibles respuestas.
1

0

Resulta necesario, contar con un modelo de estimación apropiado, que permita obtener
resultados confiables, con el cual se puedan tomar decisiones acertadas respecto a la
situación analizada, bajo este contexto hay tres métodos posibles a utilizar, los cuales
son: El modelo lineal de probabilidad, el modelo Logit y el modelo Probit.
El modelo lineal de probabilidad, es un modelo aplicado a una variable dependiente
binaria, la cual presenta varios inconvenientes cuando se estima haciendo uso de los
Mínimos Cuadrados Ordinarios(MCO), al incumplir algunos de sus supuestos básicos que
permiten la eficiencia del modelo, entre los cuales se pueden mencionar:
1. Heterocedasticidad, lo que hace que el estimador OLS de

sea ineficiente,

2. Los errores no están normalmente distribuidos
3. El problema de acotamiento dado que es posible que el MLP prediga valores para
la variable dependiente

negativos y mayores que 1.

En este contexto resulta más razonable optar por otros modelos de estimación, entre los
cuales tenemos los modelos no lineales Logit y Probit, conocidos también como modelos
de respuesta cualitativa, sin embargo, existe una disyuntiva en cuanto a cuál de los dos
modelos resulta más apropiado a la hora de evaluar la probabilidad de ocurrencia de un
evento, dado un conjunto de variables explicativas. Frente a este hecho, resulta
imprescindible señalar algunas de sus características o particularidades que permiten su
elección:
Tanto la densidad de la normal estándar y la densidad de la logística tienen media cero y
son unimodales y simétricas (Heij, 2004), sin embargo difieren en las desviaciones
estándar, de tal manera que en el modelo logístico corresponde a
modelo Probit equivale a

= /√3, y en el

= 1, esto permite que las estimaciones del Logit por tanto

tiendan a ser más grandes en valor absoluto que las estimaciones Probit (Davidson &

Econometric Methods with Applications in Business and Economics.. (2004). & Mackinnon. 0 y 1.. & Arauco. Bibliografía Alamilla L. N.Mackinnon. (2004). 1997). es decir la distribución logit tiene más masa en las colas que la distribución normal. (2009). e. Limitaciones del modelo lineal de probabilidad y alternativas de modelación microeconométrica. L. en el caso de un numero de observaciones grande y una gran concentración de estas observaciones en las colas de la distribución se recomienda el uso de un modelo Logit. J. Heij. S. 2004). 13(39). 2004)Resulta importante notar que los modelos Logit y Probit son cualitativamente similares. EconometrictTheory and methods. E. Regression Models for categorical. United States: Oxford University Press. únicamente en la rapidez con que las curvas se aproximan a los valores extremos. 2009) dada la similitud entre las curvas normal acumulada y acumulada logística. los resultados de ambos modelos no difieren mucho entre sí. dado que es posible a partir del modelo Logit obtener coeficientes Probit y a partir del modelo Probit obtener coeficientes Logit (J Scott. el modelo Logit tiene efectos marginales que son relativamente un poco más grandes alrededor de la media y en las colas. (1997). Temas de Ciencia y tecnología. . por tanto. Por otra parte. y por tanto la función logística es mas achatada al alcanzar esta ultima los valores extremos. Davidson. pero algo más pequeños en las dos regiones del medio (Heij. J Scott. cuando se observan las gráficas de las funciones de densidad de ambos modelos. California: SAGE publications. De ahí que según (Alamilla L & Arauco. 3-12. R.