Baixe o app para aproveitar ainda mais
Prévia do material em texto
Atividade 3: MODELO DE REGRESSÃO DE RESPOSTA QUALITATIVA: MPL, LOGIT E PROBIT 1- Explicar por que o modelo PROBIT ou LOGIT é em geral preferido ao de mínimos quadrados (MQO) quando da estimação de um modelo no qual a variável dependente é binária. O modelo MQO com uma variável dependente binária apresenta ausência de normalidade na distribuição dos erros, isto é, não seguirá uma distribuição normal, sendo maior nas extremidades de X, configurando heterocedasticidade. Também assume efeitos marginais constantes e, consequentemente, pode haver probabilidades ajustadas com valores negativos ou superiores a 1. Dessa forma, os modelos logísticos (Logit e Probit) são preferíveis pois demonstram as probabilidades do valor Y assumir valores entre 0 e 1 somente, não podendo ser menor que 0 ou maior que 1, eliminando problemas de heterocedasticidade e probabilidades ajustadas a valores normais (entre 0 e 1). 2- Com dados da Tabela 01 e utilizando o software, obtenha estimativas de máxima verossimilhança do modelo PROBIT para o exemplo do transporte carro/ônibus e faça as análises necessárias. A variável xi = tempo de ônibus-tempo de carro e a variável dependente yi = 1, se é escolhido o transporte por carro. Dependent Variable: Y Method: ML - Binary Probit (Newton-Raphson / Marquardt steps) Date: 09/11/21 Time: 18:05 Sample: 1 21 Included observations: 21 Convergence achieved after 6 iterations Coefficient covariance computed using observed Hessian Variable Coefficient Std. Error z-Statistic Prob. C -0.064434 0.399244 -0.161390 0.8718 X-X 0.029999 0.010287 2.916279 0.0035 McFadden R-squared 0.575761 Mean dependent var 0.476190 S.D. dependent var 0.511766 S.E. of regression 0.310890 Akaike info criterion 0.777634 Sum squared resid 1.836405 Schwarz criterion 0.877112 Log likelihood -6.165158 Hannan-Quinn criter. 0.799223 Deviance 12.33032 Restr. deviance 29.06454 Restr. log likelihood -14.53227 LR statistic 16.73423 Avg. log likelihood -0.293579 Prob(LR statistic) 0.000043 Obs with Dep=0 11 Total obs 21 Obs with Dep=1 10 Estatística LR (máxima verossimilhança) é 16,73, tornando o modelo significante como um tudo A estatística McFadden é aproximadamente 0,58, valor razoavelmente considerável; o valor-p do coeficiente (X-X) é 0,0035, valor muito pequeno, portanto significativo. 3- Com os dados da Tabela 01 e utilizando o software, obtenha estimavas de máxima verossimilhança do modelo LOGIT para o exemplo do transporte carro/ônibus e faça as análises necessárias. Dependent Variable: Y Method: ML - Binary Logit (Newton-Raphson / Marquardt steps) Date: 09/18/21 Time: 20:39 Sample: 1 21 Included observations: 21 Convergence achieved after 6 iterations Coefficient covariance computed using observed Hessian Variable Coefficient Std. Error z-Statistic Prob. C -0.237575 0.750477 -0.316566 0.7516 X-X 0.053110 0.020642 2.572866 0.0101 McFadden R-squared 0.575700 Mean dependent var 0.476190 S.D. dependent var 0.511766 S.E. of regression 0.306518 Akaike info criterion 0.777718 Sum squared resid 1.785110 Schwarz criterion 0.877197 Log likelihood -6.166042 Hannan-Quinn criter. 0.799308 Deviance 12.33208 Restr. deviance 29.06454 Restr. log likelihood -14.53227 LR statistic 16.73246 Avg. log likelihood -0.293621 Prob(LR statistic) 0.000043 Obs with Dep=0 11 Total obs 21 Obs with Dep=1 10 Obs with Dep=0 11 Total obs 21 Obs with Dep=1 10 Obs with Dep=0 11 Total obs 21 Obs with Dep=1 10 Obs with Dep=0 11 Total obs 21 Obs with Dep=1 10 Logit e Probit Análise: O valor de LR (máxima verossimilhança) é 16,73, tornando o modelo significante como um tudo. A estatística McFadden é aproximadamente 0,58, valor razoavelmente considerável; o valor-p do coeficiente (X-X) é 0,0101 valor muito pequeno, portanto significativo.
Compartilhar