Lliurament 5 Econometria 2022-2023 Resolt

1
Facultat de ciències econòmiques i empresarials
Assignatura: Econometria
Estudis: Economia
Curs 2022-2023
Desigualtats socioeconòmiques en la vacunació contra la COVID-

19. Probabilitat de tenir la pauta completa de vacunació
Març 2023
2
Desigualtats socioeconòmiques en la vacunació contra la

COVID-19. Probabilitat de tenir la pauta completa de
vacunació
Marc Saez i Maria A. Barceló

GRECS, Universitat de Girona
1 de març de 2023
5 Variables endògenes qualitatives. Models d’elecció binària
5.1 Descripció de l’arxiu Data_vaccination_individual

El nostre objectiu en aquest treball continua sent determinar en avaluar si, efectivament,
van existir desigualtats socioeconòmiques en la vacunació contra la COVID-19.
Ara be, a diferència del primer quadrimestre, on utilitzàvem dades ecològiques (a nivell de
les àrees bàsiques de salut de Catalunya), en aquest quadrimestre utilitzarem dades
individuals. Utilitzarem una base de dades que conté informació de 11.447 subjectes
residents a una ciutat de Colòmbia, entre el 13 de març de 2020 i el 11 de maig de 2022.
Començarem indicant quin és el nostre directori de treball.
setwd("C/Cursos/Econometria 2022-2023")
Importarem les dades. Fixeu-vos que el fitxer (base de dades

Data_vaccination_individual.sav) està en format SPSS.
3
library(haven)
datos=read_sav("Data_vaccination_individual.sav")
Per a conservar les etiquetes dels valors de les variables qualitatives, utilitzarem les
següents instruccions
library(rio)
datos= factorize(datos)
Mitjançant la instrucció attach activarem el data frame.
attach(datos)
Expo
Explorarem les dades.
class(datos)
[1] "tbl_df" "tbl" "data.frame"
names(datos)
Expo
[1] "id" "vacunado" "pauta_completa" "ultima_dosis" "nombre_vacuna"

[6] "Sexo" "edad" "edad_cat" "etnia" "Ocupacion"
[11] "Tipo_seguro" "Comuna" "estrato" "HTA" "diabetes"
[16] "asma" "Hipotiroidismo" "cardiovascular" "epoc" "cancer"
[21] "ins_renal" "Comorbilidades" "hospitalizado" "muerte" "lugar_muerte"
Veiem que datos es un objecte tipus data.frame que conté les següents variables:
• id: identificador del subjecte
• vacunado: Si el subjecte té alguna dosi de vacuna contra la COVID-19 (0 No, 1 Sí)
• pauta_completa: Si el subjecte té pauta completa (dos dosis o dosis única) de la
vacuna contra la COVID-19 (0 No, 1 Sí)
• ultima_dosis: Última dosis de vacuna contra la COVID-19 (0 no vacunat; 1 una dosi;
2 dos dosis o dosis única; 3 tres dosis – una de reforç-; 4 quatre dosis – dues de reforç-)
• refuerzo: Si el subjecte ha rebut la 3era o 4 dosi de reforç (1 sí, 0 no)
• nombre_vacuna: Nom de la vacuna – darrera dosi (0 no vacunado: 1 Astra
Zeneca; 2 Janssen; 3 Moderna; 4 Pfizer; 5 Sinovac)
• Sexo: 0 Home, 1 Dona
• edad: Edat del subjecte al maig de 2022
• edad_cat: Grups d’edat (0 75 anys o més; 1 65 a 74 anys; 2 55 a 64 anys; 3 45 a 54
anys; 4 35 a 44 anys; 5 25 a 34 anys; 6 15 a 24 anys; 7 menys de 15 anys)
• etnia: 1 Blanc; 2 Afrocolombià; 3 gitano-rom; 4 Altres (Palenquer, Raizal, indígena)
4
• Ocupacion: Ocupació segons la Classificació Internacional Uniforme

d’Ocupacions (CIUO) (1 Directors i gerents; 2 Professionals; 3 Tècnics i
professionals associats; 4 Empleats de recolzament administratiu; 5
Treballadors de serveis i vendes; 6 Treballadors del sector primari; 7 Artesans
i treballadors d’oficis; 8 Treballadors manuals de la indústria; 9 Treballadors
manuals de la construcció; 10 Ocupacions elementals del serveis; 11 Forces
armades, seguretat, protecció; 12 Altres - Feines de la llar, Estudiant, Jubilat,
Aturat-)
• Tipo_seguro: 0 públic universal; 1 públic empleats i sectors públic; 2 privat
• Comuna: Districte de la ciutat
• estrato: Classe social (1 Baix-baix; 2 Baix; 3 Mitjà-baix; 4 Mitjà; 5 Mitjà-alt; 6 Alt)
• HTA: Si el subjecte té hipertensió (0 No, 1 Sí)
• diabetes: Si el subjecte té diabetis, tant tipus I com tipus II (0 No, 1 Sí)
• asma: Si el subjecte té asma (0 No, 1 Sí)
• Hipotiroidismo: Si el subjecte té hipertiroïdisme (0 No, 1 Sí)
• cardiovascular: Si el subjecte té una malaltia cardiovascular (0 No, 1 Sí)
• epoc: Si el subjecte té malaltia pulmonar obstructiva crònica – bronquitis
crònica (0 No, 1 Sí)
• cancer: Si el subjecte té càncer (0 No, 1 Sí)
• ins_renal: Si el subjecte té insuficiència renal (0 No, 1 Sí)
• Comorbilidades: Si el subjecte té alguna malaltia crònica (0 No, 1 Sí)
• hospitalizado: Si el subjecte va estar hospitalitzat per COVID-19 (0 No, 1 Sí)
• muerte: Si el subjecte va morir per COVID-19 (0 No, 1 Sí)
• lugar_muerte: Lloc on va morir el subjecte (0 no ha mort; 1 a casa; 2 a
l’hospital)
5.2 Introducció al lliurament

El nostre objectiu en aquest lliurament consistirà en estimar la probabilitat de que el subjecte
va rebre la pauta completa de la vacuna COVID-19 (dues dosis o dosis única).
Per estimar aquesta probabilitat utilitzarem dos models: el model lineal de probabilitat i el
model de regressió logística.
Començarem estimant el model lineal de probabilitat i veurem les limitacions que aquest
presenta. Per tal de superar aquestes limitacions, es poden utilitzar diversos models d’elecció
binària. El que veurem en aquest lliurament es coneix com a model de regressió logística.
Utilitzarem com a variable dependent, una variable dicotòmica que prendrà el valor 1 si el
subjecte va prendre la pauta completa i 0 en cas contrari. Com a variables explicatives
utilitzarem el sexe de l’individu, sexoi; el grup d’edat de l’individu, edat_cati; la seva ètnia,
etniai; la seva ocupació, Ocupacioni; el tipus d’assegurança, Tipo_seguroi; la seva classe
social, estratoi; i les comorbiditats, Comorbilidadesi.
Començarem indicant quin és el nostre directori de treball.

5
setwd("C/Cursos/Econometria 2021-2022")
Importarem les dades. Fixeu-vos que el fitxer (base de dades Dades_cohort.sav) està en
format SPSS.
library(haven)
datos=read_sav("Data_vaccination_individual.sav")
Activarem el data frame i carregarem les llibreries descr, RcmdrMisc i rio.
attach(datos)
library(descr)
library(RcmdrMisc)
library(rio)
Per a conservar les etiquetes dels valors de les variables qualitatives, utilitzarem la següent
instrucció.
datos=factorize(datos)
5.3 Model lineal de probabilitat
En primer lloc, especificarem un model de regressió lineal de probabilitat on la variable

dependent sigui la variable dicotòmica pauta completa.
L’especificació del model es la següent:
𝑝𝑎𝑢𝑡𝑎_𝑐𝑜𝑚𝑝𝑙𝑒𝑡𝑎!
' *
= 𝛽" + 𝛽# 𝑆𝑒𝑥𝑜! + 0 𝛽$,& 𝑒𝑑𝑎𝑡_𝑐𝑎𝑡!,& + 0 𝛽*,& 𝑒𝑡𝑛𝑖𝑎!,&

()" ()#
"# # ,
+ 0 𝛽+,& 𝑂𝑐𝑢𝑝𝑎𝑐𝑖𝑜𝑛!,& + 0 𝛽,,& 𝑇𝑖𝑝𝑜_𝑠𝑒𝑔𝑢𝑟𝑜!,& + 0 𝛽',& 𝑒𝑠𝑡𝑟𝑎𝑡𝑜!,&

()# &)" &)#
+ 𝛽- 𝐶𝑜𝑚𝑜𝑟𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠! + 𝑢!
1) Fet això, estimeu el model de regressió anteriorment especificat, anomenat model

lineal de probabilitat (MLP). Recordeu que abans d’estimar un model amb variables
fictícies, és important definir la gestió que farà R de les variables fictícies durant la
sessió de treball.
Recordeu que abans d’estimar un model amb variables fictícies, és important definir la gestió
que farà R de les variables fictícies durant la sessió de treball.
options(contrasts=c("contr.treatment","contr.poly"))
6
Estimarem ara el nostre model:
mlp=lm(pauta_completa~Sexo+factor(edad_cat)+factor(etnia)+
factor(Ocupacion)+factor(Tipo_seguro)+ factor(estrato)+Comorbilidades,
na.action=na.exclude)
summary(mlp)
L’estimació del nou model és:

Call:
lm(formula = pauta_completa ~ Sexo + factor(edad_cat) + factor(etnia) +
factor(Ocupacion) + factor(Tipo_seguro) + factor(estrato) +
Comorbilidades, na.action = na.exclude)
Residuals:
Min 1Q Median 3Q Max
-1.00002 0.07382 0.12692 0.17317 0.46419
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.7488516 0.0539566 13.879 < 2e-16 ***
Sexo 0.0045806 0.0111091 0.412 0.68012
factor(edad_cat)1 0.0909174 0.0324996 2.797 0.00517 **
factor(edad_cat)2 0.0616998 0.0298145 2.069 0.03857 *
factor(edad_cat)3 0.0397346 0.0297949 1.334 0.18241
factor(edad_cat)4 0.0273423 0.0295262 0.926 0.35448
factor(edad_cat)5 -0.0006454 0.0294624 -0.022 0.98252
factor(edad_cat)6 -0.0168908 0.0307868 -0.549 0.58328
factor(edad_cat)7 -0.1078432 0.0392354 -2.749 0.00601 **
factor(etnia)2 -0.0185746 0.0619434 -0.300 0.76430
factor(etnia)3 -0.0613555 0.0764547 -0.803 0.42231
factor(etnia)4 0.1473308 0.1429446 1.031 0.30275
factor(etnia)5 -0.3343275 0.2468764 -1.354 0.17574
factor(Ocupacion)1 -0.0181309 0.0442728 -0.410 0.68217
factor(Ocupacion)2 0.0842219 0.0194952 4.320 1.6e-05 ***
factor(Ocupacion)3 0.0574137 0.0270350 2.124 0.03376 *
factor(Ocupacion)4 0.0251715 0.0222012 1.134 0.25695
factor(Ocupacion)7 0.1426369 0.0732365 1.948 0.05153 .
factor(Tipo_seguro)1 0.0528615 0.0599454 0.882 0.37792
factor(estrato)2 -0.0157864 0.0190136 -0.830 0.40644
factor(estrato)3 0.0295314 0.0179662 1.644 0.10031
factor(estrato)4 0.0492435 0.0222343 2.215 0.02683 *
factor(estrato)5 0.0411141 0.0228441 1.800 0.07197 .
factor(estrato)6 0.0314806 0.0366705 0.858 0.39068
Comorbilidades 0.0266200 0.0142668 1.866 0.06213 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.3475 on 4110 degrees of freedom

(7302 observations deleted due to missingness)
Multiple R-squared: 0.03039, Adjusted R-squared: 0.02236
F-statistic: 3.788 on 34 and 4110 DF, p-value: 1.043e-12
7
2) Feu l’anàlisi residual del model anterior i expliqueu quines són les limitacions que
observeu.
El MLP presenta algunes limitacions.
En primer lloc, els residuals no es distribueixen normalment:
qqnorm(rstandard(mlp))
qqline(rstandard(mlp))
Tal i com podem veure, el Q-Q plot presenta asimetria.

En segon lloc, el residus són heteroscedàstics. Això ho podem comprovar fent el gràfic dels
residus estandarditzats al quadrat amb el valor ajustat:
plot(fitted(mlp),(residuals(mlp)/0.3475)^2)
8
Sabem que la variància no és constant, sinó que val 𝜋! (1 − 𝜋! ). Això fa innecessari fer cap
contrast d’homoscedasticitat.
No obstant, el problema més important és que res assegura que la probabilitat (el valor
ajustat pel model, (𝑦'! = 𝜋'! ) es trobi en l’interval [0,1]). Això ho podem veure en el següent
gràfic dels valors ajustats on hem afegit dues línies horitzontals per als valors 0 (h=0) i 1
(h=1).
plot(fitted(mlp),xlab="",ylab="Probabilitat", col=4)
abline(h=0,col=3)
abline(h=1,col=3)
9
5.4 Model de regressió logística
3) Per tal de superar les limitacions del MLP, estimeu un nou model, és a dir, estimeu
un model de regressió logística, que tindrà com a variables explicatives les que hem
introduït en el model anterior.
La instrucció per estimar aquest nou model és la següent:
logit=glm(pauta_completa~Sexo+factor(edad_cat)+factor(etnia)+
factor(Ocupacion)+ factor(Tipo_seguro)+ factor(estrato)+Comorbilidades
, family=binomial, na.action=na.exclude)
summary(logit)
glm indica una família de models lineals generalitzats de la qual el model lògit forma part i
family=binomial indica que volem específicament el model lògit.
10
L’estimació del nou model és:

Call:
glm(formula = pauta_completa ~ Sexo + factor(edad_cat) + factor(etnia) +
factor(Ocupacion) + factor(Tipo_seguro) + factor(estrato) +
Comorbilidades, family = binomial, na.action = na.exclude)
Deviance Residuals:
-2.5575 0.3915 0.5039 0.6162 1.0324
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.941955 0.415708 2.266 0.02346 *
Sexo 0.033414 0.092053 0.363 0.71661
factor(edad_cat)1 0.900222 0.295161 3.050 0.00229 **
factor(edad_cat)2 0.562579 0.247860 2.270 0.02322 *
factor(edad_cat)3 0.350500 0.241909 1.449 0.14737
factor(edad_cat)4 0.242595 0.237530 1.021 0.30710
factor(edad_cat)5 0.016322 0.233766 0.070 0.94434
factor(edad_cat)6 -0.084310 0.240942 -0.350 0.72640
factor(edad_cat)7 -0.574009 0.279403 -2.054 0.03994 *
factor(etnia)2 -0.157960 0.498025 -0.317 0.75111
factor(etnia)3 -0.511799 0.571572 -0.895 0.37056
factor(etnia)4 13.777627 585.245412 0.024 0.98122
factor(etnia)5 -1.634890 1.452536 -1.126 0.26036
factor(estrato)2 -0.112997 0.147144 -0.768 0.44253
factor(estrato)3 0.234846 0.144401 1.626 0.10388
factor(estrato)4 0.428882 0.190917 2.246 0.02468 *
factor(estrato)5 0.346512 0.193280 1.793 0.07300 .
factor(estrato)6 0.265259 0.309459 0.857 0.39135
Comorbilidades 0.252527 0.129680 1.947 0.05150 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 3420.8 on 4144 degrees of freedom

Residual deviance: 3289.6 on 4110 degrees of freedom
AIC: 3359.6
Number of Fisher Scoring iterations: 14
4) Valideu el model de regressió logística anteriorment estimat, és a dir, feu l’anàlisi

residual i comenteu els gràfics.
Validarem el model mitjançant l’anàlisi dels residus amb la instrucció plot(logit). Per
més comoditat, la instrucció par(mfrow=c(2,2)) fa que en una mateixa finestra
apareguin dues fileres i dues columnes de gràfics. Quan la variable dependent és dicotòmica,
el gràfic dels residus mostra una forma característica: els punts s’agrupen al voltant de dues
corbes corresponents a les categories 0 i 1.
11
El primer gràfic conté els residus deviance contra els valors ajustats. Si en aquest gràfic
no observéssim dues línies paral·leles i/o aquestes tinguessin una curvatura sistemàtica, el
model podria presentar importants errors d’especificació.
par(mfrow=c(2,2))
plot(logit)
par(mfrow=c(1,1))
En el nostre cas, el model sembla que presenta errors d’especificació. El gràfic inferior
esquerra presenta dues línies que no es creuen, evidenciant que aquests errors
d’especificació es manifesten com heteroscedasticitat. El gràfic probabilístic normal del
residus sol presentar curvatures sense que això representi cap problema. Tanmateix, permet
apreciar la presència de valors atípics, quan n’hi ha, cosa que no succeeix en el nostre cas.
El darrer gràfic mostra els valors influents. El que són més prop de les cantonades superior
dreta e inferior esquerra de la frontera que marquen unes línies discontínues són les que
tenen la distància de Cook preocupant, més gran que 0,5 o que 1. En el nostre cas, no
sembla que hi hagi valors preocupants influents.
5) Calculeu el pseudo R2 del model anterior i comenteu-lo.
A continuació, calcularem el pseudo R2 del model a partir de la seva deviance

(Dmodel=Residual deviance) i la deviance del model nul (Dmodelnul=Null deviance).
𝐷#$%&' 3289,6
𝑃𝑠𝑒𝑢𝑑𝑜𝑅" = 1 − =1− = 0,038
𝐷#$%&'()' 3420,8
També es pot calcular amb RStudio mitjançant la següent instrucció:
1-(logit$deviance/logit$null.deviance)
12
Els pseudo-R2, malgrat no tenir una cota superior, sí que tenen una inferior (el zero). En
aquest cas, com que està molt proper d’aquesta es podria interpretar com que faltarien
variables explicatives, segurament rellevants (veure exercici 4).
6) Feu manualment el contrast de significació global del model de regressió logística.

Una vegada fet això, indiqueu i raoneu quines són les variables estadísticament
significatives del model.
El contrast de significació conjunta, que és un contrast de raó de versemblança, té per

hipòtesi nul·la l’habitual, que tots els coeficients del model (terme constant exclòs) són zero
a la població.
El contrast es calcula com:
𝐺 = 𝐷#$%&'()' − 𝐷#$%&'
Si la hipòtesi nul·la és certa, aquest contrast es distribueix segons una distribució 𝜒 " amb
k-1 graus de llibertat.
G=logit$null.deviance-logit$deviance
G
131.1611
1-pchisq(G,34)
4.851675e-13
Com esperàvem, doncs aquest contrast té molt poca potència, es rebutja la hipòtesi nul·la i
el model és conjuntament significatiu.
7) Interpreteu els OR estadísticament significatius al 95% i al 90% del model de

regressió logística anteriorment estimat.
Com sabeu, en els models no lineals com la regressió logística, no és possible interpretar
directament els valors numèrics de les estimacions dels paràmetres. Per interpretar-los, s’han
de transformar. Utilitzem l’exponencial de l’estimador del coeficient corresponent que es
coneix com a odds ratio.
La instrucció següent genera una taula que combina per columnes (cbind) les odds ratio de
cada variable (exp(coef(logit)) i el seu interval de confiança al 95% (exp(confit(logit)).
OR.table<-exp(cbind(coef(logit),confint(logit)))
colnames(OR.table)<-c("OR","limit_inf","limit_sup")
OR.table
13
OR limit_inf limit_sup
(Intercept) 2.564991e+00 1.168575e+00 6.0160501
Sexo 1.033979e+00 8.627954e-01 1.2378885
factor(edad_cat)1 2.460150e+00 1.383005e+00 4.4219600
factor(edad_cat)2 1.755193e+00 1.069424e+00 2.8339720
factor(edad_cat)3 1.419778e+00 8.738208e-01 2.2617055
factor(edad_cat)6 9.191467e-01 5.663828e-01 1.4601953
factor(edad_cat)7 5.632628e-01 3.237347e-01 0.9707525
factor(etnia)2 8.538836e-01 3.490475e-01 2.5627211
factor(etnia)3 5.994160e-01 2.135592e-01 2.1318970
factor(etnia)4 9.628249e+05 4.211637e-19 NA
factor(etnia)5 1.949739e-01 7.355446e-03 5.2043101
factor(Ocupacion)1 8.703657e-01 4.611469e-01 1.7919226
factor(Ocupacion)2 2.408234e+00 1.636502e+00 3.6642891
factor(Ocupacion)4 1.224647e+00 8.624903e-01 1.7768343
factor(Ocupacion)6 1.064710e+06 9.498774e-24 NA
factor(Tipo_seguro)1 1.478969e+00 5.686865e-01 3.8455339
factor(Tipo_seguro)2 1.387299e+00 6.725814e-01 2.6258997
factor(estrato)2 8.931537e-01 6.669298e-01 1.1880818
factor(estrato)3 1.264714e+00 9.492224e-01 1.6728808
factor(estrato)4 1.535540e+00 1.058999e+00 2.2412281
Comorbilidades 1.287274e+00 1.002586e+00 1.6676710
Interpretarem els OR estadísticament significatius al 95% i al 90%, és a dir aquells que el

seu interval de confiança al 95% i al 90%, respectivament, no conté la unitat.
Els subjectes de 65 a 74 anys (edad_cat=1) tenen un OR de 2,460, els de 55 a 64
(edad_cat=2) un OR igual a 1,755 i els menors de 15 anys (edad_cat=7) un OR igual a
0,563. Així, els subjectes de 65 a 74 anys van tenir un 146% més de propensió homes ((OR-
1)*100, (2,460-1)*100=146) de tenir una pauta completa que els de 75 anys o més
(categoria de referència). També van tenir una major propensió els de 55 a 64 anys (un
75,5% més). Ara bé, els menors de 15 anys van tenir una propensió menor, un 43,7% menys
(homes ((OR-1)*100, (0,563-1)*100=-43,7)
Els subjectes que són professionals (Ocupacion=2) tenen un 241% més de propensió de
tenir una pauta completa que els directius i gerents (Ocupacion=1), categoria de referència.
Els tècnics i professionals associats (Ocupacion=3) i els treballadors de serveis i vendes
(Ocupacion=5) també tenen més propensió que els directius i gerents, un 66,8% i un 74,7%
respectivament
Conforme augmenta la classe social del subjecte, a partir d’estrat mitjà-baix (estrato=3),
més propensió a tenir la pauta completa, encara que van ser estadísticament significatius,
l’estrat mitjà (estrato=4) i mitjà-alt (estrato=5), en aquest cop significatiu al 90%.
Per últim, si el subjecte tenia alguna comorbiditat va tenir un 28,72% més de propensió de
tenir una pauta completa que no te tenir cap.
14
5.5 Observacions i nous reptes
- Els resultats de la interpretació del model poden no ser raonables en tots

els casos. A què creieu que es deu això?
Alguns resultats poden ser erronis doncs encara hem comés algun error d’especificació. Pot
passar que les variables contínues no tinguin una forma funcional lineal. Per exemple, no
sigui igual el risc per valors baixos de renda que per a valors alts de la renda. Ara bé, l’error
més important es que molt probablement hem omès variables rellevants.
- Especifiqueu i estimeu un nou model de regressió logística ometent les
variables no significatives al 90%. Utilitzeu el contrast adient per escollir
quin dels dos models és millor. Valideu i interpreteu el nou model.
Estimarem el model general i el model restringit (que és el general una vegada excloses les
variables fictícies que no van resultar significatives, amb l’excepció de copagament de
farmàcia):
logit=glm(y~numero_malalties_croniques+sexe+factor(edat_quartils)+log(
Renda_mitjana_per_persona_secció_censal)+factor(copagament_farmacia)+f
actor(rural), family=binomial,na.action=na.exclude)
logitr=glm(pauta_completa~factor(edad_cat)+factor(Ocupacion)+
factor(estrato)+Comorbilidades, family=binomial, na.action=na.exclude)
summary(logitr)
Call:
glm(formula = pauta_completa ~ factor(edad_cat) + factor(Ocupacion) +
factor(estrato) + Comorbilidades, family = binomial, na.action = na.exclude)
Deviance Residuals:
-2.5286 0.3956 0.4956 0.5924 1.0297
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.56982 0.23529 6.672 2.53e-11 ***
factor(edad_cat)1 0.72334 0.28811 2.511 0.01205 *
factor(edad_cat)2 0.29437 0.23881 1.233 0.21771
factor(edad_cat)3 0.13587 0.23340 0.582 0.56046
factor(edad_cat)4 0.01513 0.22807 0.066 0.94712
factor(edad_cat)5 -0.21508 0.22479 -0.957 0.33865
factor(edad_cat)6 -0.32411 0.23205 -1.397 0.16249
factor(edad_cat)7 -0.84458 0.26436 -3.195 0.00140 **
factor(Ocupacion)3 0.41378 0.23694 1.746 0.08075 .
factor(Ocupacion)10 -0.61325 0.35465 -1.729 0.08378 .
factor(estrato)2 -0.11733 0.14172 -0.828 0.40774
factor(estrato)3 0.20904 0.13828 1.512 0.13061
factor(estrato)4 0.51757 0.18227 2.840 0.00452 **
factor(estrato)5 0.47489 0.18722 2.537 0.01120 *
factor(estrato)6 0.33087 0.29738 1.113 0.26587
Comorbilidades 0.16931 0.12515 1.353 0.17611
---
15
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 3779.2 on 4668 degrees of freedom

Residual deviance: 3641.6 on 4641 degrees of freedom
AIC: 3697.6
Number of Fisher Scoring iterations: 14
Ara contrastarem quin del dos models és millor mitjançant un contrast de models ennierats:
𝐻* : 𝛽+&,$ = 𝛽&-(!. = 𝛽/!0$_2&3)4$ = 0

𝐻. : ∃ 𝑎𝑙𝑔𝑢𝑛 𝛽5 ≠ 0
Alternativament:
𝐻* : É𝑠 𝑚𝑖𝑙𝑙𝑜𝑟 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑡
𝐻. : É𝑠 𝑚𝑖𝑙𝑙𝑜𝑟 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
El contrast es calcula com:

𝐺 = 𝐷#$%&'4&2-4!(3!- − 𝐷#$%&' 3&(&4.' ~𝜒"" 𝑠𝑖 𝐻* é𝑠 𝑐𝑒𝑟𝑡𝑎
G<-logitr$deviance-logit$deviance
G
1-pchisq(G,3)
> G
[1] 351.9932
> 1-pchisq(G,3)
[1] 0
És a dir, amb un 95% de confiança, podríem dir que és millor el model general.

Lliurament 5 Econometria 2022-2023 Resolt

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lliurament 5 Econometria 2022-2023 Resolt

Uploaded by

Copyright:

Available Formats

1

Facultat de ciències econòmiques i empresarials

Desigualtats socioeconòmiques en la vacunació contra la COVID-

Desigualtats socioeconòmiques en la vacunació contra la

Marc Saez i Maria A. Barceló

5 Variables endògenes qualitatives. Models d’elecció binària

5.1 Descripció de l’arxiu Data_vaccination_individual

Començarem indicant quin és el nostre directori de treball.

Importarem les dades. Fixeu-vos que el fitxer (base de dades

Mitjançant la instrucció attach activarem el data frame.

[1] "id" "vacunado" "pauta_completa" "ultima_dosis" "nombre_vacuna"

• Ocupacion: Ocupació segons la Classificació Internacional Uniforme

5.2 Introducció al lliurament

Començarem indicant quin és el nostre directori de treball.

Activarem el data frame i carregarem les llibreries descr, RcmdrMisc i rio.

5.3 Model lineal de probabilitat

En primer lloc, especificarem un model de regressió lineal de probabilitat on la variable

= 𝛽" + 𝛽# 𝑆𝑒𝑥𝑜! + 0 𝛽$,& 𝑒𝑑𝑎𝑡_𝑐𝑎𝑡!,& + 0 𝛽*,& 𝑒𝑡𝑛𝑖𝑎!,&

+ 0 𝛽+,& 𝑂𝑐𝑢𝑝𝑎𝑐𝑖𝑜𝑛!,& + 0 𝛽,,& 𝑇𝑖𝑝𝑜_𝑠𝑒𝑔𝑢𝑟𝑜!,& + 0 𝛽',& 𝑒𝑠𝑡𝑟𝑎𝑡𝑜!,&

1) Fet això, estimeu el model de regressió anteriorment especificat, anomenat model

Estimarem ara el nostre model:

L’estimació del nou model és:

Residual standard error: 0.3475 on 4110 degrees of freedom

En primer lloc, els residuals no es distribueixen normalment:

Tal i com podem veure, el Q-Q plot presenta asimetria.

5.4 Model de regressió logística

La instrucció per estimar aquest nou model és la següent:

L’estimació del nou model és:

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 3420.8 on 4144 degrees of freedom

Number of Fisher Scoring iterations: 14

4) Valideu el model de regressió logística anteriorment estimat, és a dir, feu l’anàlisi

A continuació, calcularem el pseudo R2 del model a partir de la seva deviance

6) Feu manualment el contrast de significació global del model de regressió logística.

El contrast de significació conjunta, que és un contrast de raó de versemblança, té per

7) Interpreteu els OR estadísticament significatius al 95% i al 90% del model de

Interpretarem els OR estadísticament significatius al 95% i al 90%, és a dir aquells que el

5.5 Observacions i nous reptes

- Els resultats de la interpretació del model poden no ser raonables en tots

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 3779.2 on 4668 degrees of freedom

Number of Fisher Scoring iterations: 14

𝐻* : 𝛽+&,$ = 𝛽&-(!. = 𝛽/!0$_2&3)4$ = 0

El contrast es calcula com:

You might also like