Introduccin

La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Regresin de Poisson
Microeconoma Cuantitativa
R. Mora
Departmento de Economa
Universidad Carlos III de Madrid

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Esquema

1 Introduccin
2 La distribucin Poisson
3 Regresin de Poisson
4 Regresin de Poisson en gretl

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Introduccin

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Ejemplo 1
Relacin entre los gastos de investigacin y desarrollo de las
empresas (I + D) y el nmero de patentes recibidas por ellos.
La variable dependiente, nmero de patentes, es un recuento
del nmero total de patentes de una empresa en particular,
normalmente en un perodo de tiempo, como un ao.
Slo son posibles nmeros no negativos y discretos: algunas
empresas tienen cero patentes, mientras que otras empresas
pueden muchas patentes.

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Ejemplo 2
El uso de los servicios de salud entre los ancianos.
La variable dependiente, el nmero de visitas al mdico, es un
recuento del nmero total de visitas al mdico a una persona
de edad avanzada ha hecho durante el ao pasado.
Slo son posibles nmeros no negativos y discretos: algunas
personas tienen cero visitas, mientras que otras personas
pueden tener incluso decenas de visitas.

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Ejemplo 3
El efecto de las penas de prisin en la criminalidad.
La variable dependiente, el nmero de arrestos, es un
recuento del nmero total de arrestos que un hombre tiene en
un ao determinado.
Slo son posibles nmeros no negativos y discretos: algunas
personas tienen cero arrestos, mientras que otras personas
pueden tener varias detenciones al ao.

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

MCO con datos de recuento

En principio, si la variable dependiente es positiva, yi > 0,
podramos tomar su logaritmo y suponiendo que
E (ln (yi ) |xi ) = x 0

entonces MCO nos dara estimaciones del vector

consistentes.
Sin embargo:
si y = 0 entonces no hay posibilidad de realizar la
trasnformacin logartmica (soluciones adhoc: ln (y + 1), usa
ln (0.5) cuando y = 0).
para prediccin queremos predecir E (y ), pero
exp (E (lny )) 6= E (y ) incluso aunque exp (lny ) = y .
En esta sesin, vamos a estudiar un modelo no lineal que evita
estos dos problemas.
R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

La distribucin Poisson

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Denicin de la distribucin de Poisson

Una variable aleatoria discreta Z se distribuye con la

distribucin de Poisson con parmetro si la probabilidad de
que Z = z es z
Pr (Z = z ) = z ! e

donde
z = 0, 1, 2, ...
z ! = z (z 1) (z 2) ... 2 1
El parmetro es igual tanto a la esperanza como a la
varianza de Z (equi-dispersin)
= E (Z ) = Var (Z )

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Intuicin

La distribucin de Poisson es la probabilidad de que un

determinado nmero de eventos ocurran en un intervalo jo de
tiempo y/o espacio si estos eventos
Se producen a una tasa media constante.
Independientemente del tiempo transcurrido desde el ltimo
evento.

Ejemplos histricos famosos incluyen (de Wikipedia):

El nmero de condenas errneas en un determinado pas en un
perodo determinado de tiempo.
El nmero de soldados en el ejrcito prusiano muertos
accidentalmente por patadas de caballo.

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Regresin de Poisson

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Regresin de Poisson

Es un tipo de anlisis de regresin para modelar datos de

recuento.
Sea y la variable dependiente y x un vector de variables
independientes.
La regresin de Poisson asume
y tiene una distribucin de Poisson
La expectativa (y varianza) de y dado x es
= E (y |x ) = e x
0

Por lo tanto, log (E (y |x )) = x 0 (el modelo de regresin de

Poisson se reere a veces como el modelo log-lineal).

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Estimacin por MV

La probabilidad viene dada por Pr (y |x ) = e ye

0
yx 0 e x

Para una muestra de N observaciones,

!

Pr (y , ..., yN |x , ..., xN ) = Ni e ye
0
yi xi0 e xi
1 1 =1
La log-verosimilitud es:
i!

N n
L (b) = yi xi b e x b log (yi !)
o
0
0 i

i=1

(ya que yi ! no depende de b, podemos ignorar este elemento)

Las CPO slo pueden resolverse numricamente. Como la
log-verosimilitud es cncava, esto no es un gran problema.

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Interpretacin

Tenemos
E (y |x ) = exp (x ) = exp ( + x + x + ... + k xk )
0
0 1 1 2 2

Los efectos marginales

E (yi |xi )
= j exp ( + x + x + ... + k xk )
0 1 1 2 2
xji
= j E (yi |xi )

Un cambio de una unidad en el regresor j conduce a un

cambio en la media condicional de j E (yi |xi )
R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Otra forma de decir esto es que un cambio de una unidad en el

regresor j conlleva un cambio proporcional de E (yi |xi ) de j .
Si el regresor est en logaritmos entonces j es una elasticidad.
Supn que E (yi |x i ) = exp ( + log (x i )) y x mide
exposicin (por ejemplo, el tiempo en el que se ha medido el
1 0 1 1 1

recuento): esperamos que = 1. 1

Por ejemplo, toma yi =nmero de accidentes de trco en una

semana, x i =volumen de trco, y esperaramos que = 1:
1 1

E (yi |x i ) = e x i
1
0
1

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Algunos problemas cuando y no es una Poisson

Mientras E (yi |xi ) = e x , entonces MV seguir siendo
0
i

consistente (pero los errores estndar deben ser computados

de forma diferente).
Por ejemplo, si la varianza es mayor que la media
(sobre-dispersin)
Se puede contrastar: H0 : E (y ) = Var (y ).
gretl proporciona un test de sobre-dispersin.
En caso de rechazo, debe usarse la opcin -robust.

A veces podemos evitar la sobre-dispersin incluyendo

controles adicionales.
Alternativamente podemos estimar un modelo que es ms
exible, como el modelo de distribucin binomial negativa
(en gretl: negbinfuera del objetivo de este curso).
R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Inacin de ceros
Otro problema comn con la regresin de Poisson es el exceso de
ceros:
Supongamos que hay dos procesos:
Uno para determinar si hay cero eventos o cualquier evento,
Un proceso de Poisson que determina cuntos eventos existen.

Aqu habr ms ceros que lo que predecira una regresin de

Poisson.
Un ejemplo sera la distribucin de cigarrillos fumados en una
hora por miembros de un grupo en el que algunos individuos
son no fumadores.
Un modelo alternativo, el modelo de Poisson con inacin
de ceros, es mejor en estos casos (en gretl: ver seccin 20.7
en el manualms all del alcance de este curso)
R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Regresin de Poisson en gretl

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

poisson depvar indepvars [ ; offset --robust]

depvar debe tomar valores enteros no negativos.
Se puede opcionalmente aadir una variable estrictamente
positiva a la especicacin (offset ) si se espera que el
nmero de ocurrencias del evento sea proporcional a la misma.
Por ejemplo, el nmero de accidentes de trco es, ceteris
paribus, proporcional al volumen de trco.

Automticamente se muestra un test de sobre-dispersin. La

hiptesis nula es ausencia de sobre-dispersin. En caso de
rechazo:
La inferencia en el modelo debe llevarse a cabo usando la
opcin --robust
Un modelo binomial negativo sera ms apropiado (gretl:
comando negbin).
R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

poisson DVISITS const SEX age income --robust

Model 4: Poisson, using observations 15190 (n = 5111)
Missing or incomplete observations dropped: 79
Dependent variable: DVISITS
QML standard errors
Coecient Std. Error z p-value
const 0.954136 0.112619 8.4723 0.0000
SEX 0.229700 0.0869432 2.6419 0.0082
age 0.524717 0.0753856 6.9604 0.0000
income 0.141529 0.0571679 2.4757 0.0133

Mean dependent var 0.300724 S.D. dependent var 0.793169

Sum squared resid 3152.281 S.E. of regression 0.785651
McFadden R 2 0.027979 Adjusted R 2 0.026957
Log-likelihood 3803.936 Akaike criterion 7615.873
Schwarz criterion 7642.029 HannanQuinn 7625.030

Overdispersion test: 2 (1) = 124.089 [0.0000]

R. Mora Poisson
 Introduccin
La distribucin Poisson
Regresin de Poisson
Regresin de Poisson en gretl
Resumen

Resumen

Con datos de recuento, OLS puede no ser implementable o dar

resultados no satisfactorios.
Una buena alternativa es el modelo de regresin de Poisson.
Este modelo puede ser estimado por MV y la interpretacin de
los resultados es relativamente sencilla.
Si los datos presentan sobre-dispersin, entonces la inferencia
debe llevarse a cabo con errores estndar robustos.
Otros modelos alternativos pueden ser ms adecuados en
presencia de sobre-dispersin o con muchos ceros.
R. Mora Poisson