Wikio
EJEMPLO: ECONOMETRIA IV, GUJARATI. PAG 583
CONSIDERESE LOS DATOS DE LA TABLA 15.7.
SEA Y=1, SI LA CALIFICACION FINAL DE UN ESTUDIANTE PARA UN CURSO INTERMEDIO DE MICROECONOMIA FUE DE A, Y Y=0 SI ESA CALIFICACION FINAL FUE DE B O C. SPECTOR Y MAZZEO UTILIZARON EL PROMEDIO DEL PUNTO DE CALIFICACION (PPC), TUCE Y EL SISTEMA DE INSTRUCCION PERSONALIZADO (SIP) COMO PREDICTORES DE CALIFICACIONES EL MODELO LOGIT QUEDA:
##################################
# L= b1 + b2PPC + b3TUCE + b4SIP + u
##################################
Table.15.7 <- read.table("http://r-para-econometria.googlecode.com/files/Table%2015.7.txt", header=T, quote="\"")
View(Table.15.7)
attach(Table.15.7)
reglogit <- glm(CALIF ~ PPC + TUCE + SIP, family = "binomial")
summary(reglogit)
anova(reglogit)
PARA BONDAD DE AJUSTE
LOS PSREUDOS R
library(pscl)
pR2(reglogit)
CUENTA R cuadrado
y.hat<-fitted(reglogit)
y<-CALIF
residuos<-y-y.hat
total.observaciones<-length(y)
predicciones.correctas<-length(residuos[residuos<=0.5 & residuos>=-0.5])
Rcuadrado<-predicciones.correctas/total.observaciones
Rcuadrado
residuos
GRAFICANDO LOS RESIDUOS
plot(residuos, type="l")
OTRA FORMA ES DESCARGANDO EL PAQUETE Zeling
library(Zelig)
reglogit2 <- zelig(CALIF ~ PPC + TUCE + SIP, model = "logit", data=Table.15.7)
summary(reglogit2)
pR2(reglogit2)
El coeficiente PPC igual a 2.83 unidades, sugiere que existe una relación positiva entre ambos. En promedio el logit estimado aumenta casi 2.83 unidades manteniendo constante las otras regresoras.
En interpretación en términos de probabilidades:
exp(2.82611)
Estudiantes que se enfrenta a un nuevo método de enseñanza son 10 veces propensos a obtener una A
exp(2.37869)
Para el estudiante 10
-13.02135 + 2.82611*3.92 + 0.09516*29 + 2.37869*0
La probabilidad estimada de obtener una A es:
1/(1+exp(-0.8178))
EJEMPLO: ECONOMETRIA IV, GUJARATI. PAG 583
CONSIDERESE LOS DATOS DE LA TABLA 15.7.
SEA Y=1, SI LA CALIFICACION FINAL DE UN ESTUDIANTE PARA UN CURSO INTERMEDIO DE MICROECONOMIA FUE DE A, Y Y=0 SI ESA CALIFICACION FINAL FUE DE B O C. SPECTOR Y MAZZEO UTILIZARON EL PROMEDIO DEL PUNTO DE CALIFICACION (PPC), TUCE Y EL SISTEMA DE INSTRUCCION PERSONALIZADO (SIP) COMO PREDICTORES DE CALIFICACIONES EL MODELO LOGIT QUEDA:
##################################
# L= b1 + b2PPC + b3TUCE + b4SIP + u
##################################
Table.15.7 <- read.table("http://r-para-econometria.googlecode.com/files/Table%2015.7.txt", header=T, quote="\"")
View(Table.15.7)
attach(Table.15.7)
reglogit <- glm(CALIF ~ PPC + TUCE + SIP, family = "binomial")
summary(reglogit)
anova(reglogit)
PARA BONDAD DE AJUSTE
LOS PSREUDOS R
library(pscl)
pR2(reglogit)
CUENTA R cuadrado
y.hat<-fitted(reglogit)
y<-CALIF
residuos<-y-y.hat
total.observaciones<-length(y)
predicciones.correctas<-length(residuos[residuos<=0.5 & residuos>=-0.5])
Rcuadrado<-predicciones.correctas/total.observaciones
Rcuadrado
residuos
GRAFICANDO LOS RESIDUOS
plot(residuos, type="l")
OTRA FORMA ES DESCARGANDO EL PAQUETE Zeling
library(Zelig)
reglogit2 <- zelig(CALIF ~ PPC + TUCE + SIP, model = "logit", data=Table.15.7)
summary(reglogit2)
pR2(reglogit2)
El coeficiente PPC igual a 2.83 unidades, sugiere que existe una relación positiva entre ambos. En promedio el logit estimado aumenta casi 2.83 unidades manteniendo constante las otras regresoras.
En interpretación en términos de probabilidades:
exp(2.82611)
Estudiantes que se enfrenta a un nuevo método de enseñanza son 10 veces propensos a obtener una A
exp(2.37869)
Para el estudiante 10
-13.02135 + 2.82611*3.92 + 0.09516*29 + 2.37869*0
La probabilidad estimada de obtener una A es:
1/(1+exp(-0.8178))
Espero que le haya sido útil a quién buscó sobre esta temática en R, cualquier sugerencia bienvenida sea.
Saludos
Deybi Morales León
Managua, Nicaragua
Comentarios
Publicar un comentario