Ejemplo 1. Modelos con Variable Dependiente Binaria 9 Estamos interesados en analizar el efecto de algunos de los determinantes de la decisión de acudir a una consulta médica en el último mes (VIS). El objetivo es cuantificar la relación entre las características individuales y la probabilidad de realiza alguna consulta médica. En este caso: ⎧1 si el individuo i acude al médico durante el último mes VISi = ⎨ ⎩0 en caso contrario 9 Se considerarán como factores explicativos: el género (S2=1 si es mujer y 0 si es hombre), la edad (EDAD), el estado de salud autopercibido (ES=1 si es bueno y 0 si es malo) y la presencia de enfermedades crónicas (CR=1 si están presentes y 0 en caso contrario). 9 A partir de la información referida a 1597 individuos se obtienen las estimaciones de los siguientes modelos: Modelo de Probabilidad Lineal (MPL), el LOGIT y el PROBIT. Ejemplo 1. Estimación del MLP Coeficientes(a) Coeficientes no estandarizados Modelo B 1 Coeficientes estandarizados t Sig. (Constante) ,373 Error típ. ,045 Beta 8,218 ,000 s2 ,089 ,023 ,092 3,915 ,000 EDAD ,002 ,001 ,064 2,565 ,010 ES -,278 ,027 -,268 -10,251 ,000 cr ,110 ,026 ,108 4,200 ,000 a Variable dependiente: VIS Para este modelo, los coeficientes estimados de las variables cualitativas (S2, ES y CR) se interpretan como cambios en la probabilidad de acudir al médico respecto a las categorías de referencia. Para la EDAD, se interpreta como el cambio en la probabilidad ante un cambio en una unidad en esta variable 1 Ejemplo 1. Estimación del Modelo Logit Variables en la ecuación B E.T. Wald gl Sig. Exp(B) I.C. 95,0% para EXP(B) Inferior Paso 1(a) s2 Superior ,435 ,113 14,840 1 ,000 1,545 1,238 1,929 ,008 ,003 6,269 1 ,012 1,008 1,002 1,015 -1,175 ,126 86,515 1 ,000 ,309 ,241 ,395 ,573 ,135 18,078 1 ,000 1,773 1,362 2,308 Constante -,725 ,221 10,737 1 ,001 a Variable(s) introducida(s) en el paso 1: s2, EDAD, ESC, cr. ,484 EDAD ES cr Los valores estimados de los coeficientes no pueden interpretarse directamente como cambios en la probabilidad de acudir al médico. Su signo sí indica la dirección del cambio. Para las variables cualitativas (S2, ES y CR) Exp(B) representa los Odds Ratios. Para la EDAD, es el OR para una variación unitaria de esta variable. Ejemplo 1. Estimación del Modelo Probit Estimaciones de los parámetros Parámetro PROBIT(a) Estimación Error típico Z Sig. Intervalo de confianza al 95% Límite inferior ,132 Límite superior ,398 s2 ,265 ,068 3,904 ,000 EDAD ,005 ,002 2,466 ,014 ,001 ,009 ES -,728 ,077 -9,395 ,000 -,880 -,576 cr ,343 ,080 4,302 ,000 ,187 ,499 -,425 ,133 -3,192 a Modelo PROBIT: PROBIT(p) = Intersección + BX ,001 -,558 -,292 Intersección Como en el modelo Logit, los valores estimados de los coeficientes no pueden interpretarse directamente como cambios en la probabilidad de acudir al médico. Su signo sí indica la dirección del cambio. Obsérvese que los coeficientes estimados para cada variable explicativa es aproximadamente 1,6 veces menor para este modelo que para el logit, en cambio su significación es prácticamente igual. 2 Ejemplo 1. Efectos Marginales Para las variables no cualitativas puede llevarse a cabo una interpretación en términos de los efectos marginales, como es el caso de la EDAD en este ejemplo. Para individuos con S2=0, ES=0, CR=0 y para el valor medio de la edad (42 años) y en los valores medios de todas las variables. ∂P(VIS i = 1) e −0.725+ 0.008*42 = 0.008 = 0.001926 ∂EDADi (1 + e −0.725+0.008*42 ) 2 Modelo Logit: ∂P(VIS i = 1) e −0.725+ +0.435*0.51+ 0.008*42−1.175*0.675+0.573*0.657 = 0.008 = 0.001838 ∂EDADi (1 + e −0.725+ +0.435*0.51+0.008*42−1.175*0.675+0.573*0.657 ) 2 ∂P (VIS i = 1) = ∂EDADi Modelo Probit: ∂P(VIS i = 1) = ∂EDADi 1 2π e − ( −0.725 + 0.008*42 ) 2 2 0.008 = 0.00295 1 − ( −0.725+ +0.435*0.51+ 0.008*422 −1.175*0.675+ 0.573*0.657 ) e 0.008 = 0.00269 2π 2 Ejemplo 1. Contrastes y Medidas de Bondad de Ajuste (Modelo Logit) A continuación se presentan el test de razón de verosimilitudes, algunos pseudo-R2 y la tabla de contingencia entre valores predichos y observados Resumen de los modelos Pruebas omnibus sobre los coeficientes del modelo Paso 1 Chi-cuadrado 233,597 Paso gl 4 Sig. ,000 Bloque 233,597 4 ,000 Modelo 233,597 4 ,000 R cuadrado -2 log de la R cuadrado de de verosimilitud Cox y Snell Nagelkerke 1882,602(a) ,136 ,185 a La estimación ha finalizado en el número de iteración 4 porque las estimaciones de los parámetros han cambiado en menos de ,001. Paso 1 Tabla de clasificación(a) Pronosticado VIS Paso 1 Observado VIS Porcentaje global 0 Porcentaje correcto 1 0 817 178 82,1 1 301 301 50,0 70,0 a El valor de corte es ,500 3 Ejemplo 1. Contrastes y Medidas de Bondad de Ajuste (Modelo Logit) El test de Hosmer-Lemeshow compara entre valores estimados y valores observados por grupos. Un valor elevado del contraste indica grandes diferencias entre los valores predichos y reales. Prueba de Hosmer y Lemeshow Paso 1 Chi-cuadrado 10,162 gl Sig. ,254 8 Tabla de contingencias para la prueba de Hosmer y Lemeshow VIS = 0 Observado Paso 1 VIS = 1 Esperado Observado Esperado Total 1 138 136,022 23 24,978 161 2 136 130,704 25 30,296 161 3 118 123,441 42 36,559 160 4 125 119,202 35 40,798 160 5 115 114,939 49 49,061 164 6 99 104,464 61 55,536 160 7 91 93,939 69 66,061 160 8 59 68,642 101 91,358 160 9 58 57,850 102 102,150 160 10 56 45,798 95 105,202 151 Ejemplo 1. Predicción A partir de las estimaciones de los coeficientes de los distintos modelos es posible llevar a cabo la predicción de la probabilidad de acudir a consulta médica. En cada caso, consiste en evaluar la función de distribución correspondiente para la situación que desea predecirse. Por ejemplo, (1) evaluar la probabilidad para una mujer de 35 años, con buen estado de salud y sin enfermedades crónicas; y (2) la de un hombre de 40 años, con mala salud y enfermedades crónicas. Modelo Logit: (1) P (VIS i = 1) = e −0.725+ 0.435+ 0.008*35−1.175 = 0.23 1 + e −0.725+ 0.435+ 0.008*35−1.175 (2) P (VIS i = 1) = e −0.725+ 0.008*40 + 0.573 = 0.54 1 + e −0.725+ 0.008*40 + 0.573 Modelo Probit: (1) P (VIS i = 1) = Φ ( −0.725 + 0.435 + 0.008 * 35 − 1.175 ) = 0.118 (2) P (VIS i = 1) = Φ(−0.725 + 0.008 * 40 + 0.573) = 0.56 4
© Copyright 2024