1 / 15

Probit ordenado

Probit ordenado. Alguns exemplos. Artigo: Corbi e Menezes-Filho (2006). Os determinantes empíricos da felicidade no Brasil. REP, vol. 26, n. 4, out-dez .

aggie
Download Presentation

Probit ordenado

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Probit ordenado

  2. Alguns exemplos • Artigo: Corbi e Menezes-Filho (2006). Os determinantes empíricos da felicidade no Brasil. REP, vol. 26, n. 4, out-dez. • Investigar os determinantes empíricos da felicidade no Brasil através de uma base de dados ainda pouco utilizada no país, o World ValuesSurvey (Pesquisa Mundial de Valores). • Analisar a associação de algumas variáveis sócioeconômicas, tais como renda, desemprego, educação, sexo, estado civil e idade, com a felicidade dos indivíduos. A renda e o desemprego serão examinados de forma a compreendermos de que maneira eles podem influir no nível de felicidade dos indivíduos.

  3. Medida de Felicidade • O modelo de probit ordenado é um modelo multinomial, e sua variável dependente assume valores que estabelecem um certo ordenamento dos dados, não de forma linear, mas sim de forma a ranquear os possíveis resultados. • A variável latente F associa números às respostas individuais, da seguinte forma: 1 para “infeliz”, 2 para não “muito feliz”, 3 para “feliz” e 4 para “muito feliz”.

  4. Multinomial: exemplo

  5. Banco de dados • Váriasmarcas de um produtoestão no mercado. • Iremosexplicar as escolhas dos consumidoresporestasmarcasconsiderando as seguintesvariáveisexplicativas: sexo (female) e idade (age). • Porexemplo, há um estudoqueafirmaque as mulheresescolhemmais cameras digitas Kodak e quehomenspreferem Canon.

  6. mlogit brand female age, base(1) • Iteration 0: log likelihood = -795.89581 • Iteration 1: log likelihood = -709.10396 • Iteration 2: log likelihood = -703.08391 • Iteration 3: log likelihood = -702.97081 • Iteration 4: log likelihood = -702.9707 • Multinomial logistic regression Number of obs = 735 • LR chi2(4) = 185.85 • Prob > chi2 = 0.0000 • Loglikelihood = -702.9707 Pseudo R2 = 0.1168 • ------------------------------------------------------------------------------ • brand | Coef. Std. Err. z P>|z| [95% Conf. Interval] • -------------+---------------------------------------------------------------- • 2 | • female | .5238143 .1942466 2.70 0.007 .143098 .9045307 • age | .3682065 .0550031 6.69 0.000 .2604024 .4760106 • _cons | -11.77466 1.77461 -6.64 0.000 -15.25283 -8.296483 • -------------+---------------------------------------------------------------- • 3 | • female | .4659414 .2260895 2.06 0.039 .022814 .9090688 • age | .6859082 .0626265 10.95 0.000 .5631626 .8086539 • _cons | -22.7214 2.058027 -11.04 0.000 -26.75505 -18.68774 • ------------------------------------------------------------------------------ • (brand==1 is the base outcome) • gitbrand female age, base(1)

  7. Alguns resultados • Para a mudança de umaunidadedavariávelidade, o log darazão entre as duasprobabilidades, P(brand=2)/P(brand=1), iráaumentarem 0.368 e o log darazão das duasprobabilidades P(brand=3)/P(brand=1) iráaumentarem0.686. • Podemosdizerque, emgeral, as pessoasmaisvelhasirãopreferir brand 2 ou 3.

  8. A razão entre a probabilidade de escolherumacategoria e a probabilidade de escolher a categoria de referência é denominada de riscorelativo (odds). • Os resultadospodem ser interpretadosemtermos de riscorelativo. • Podemosdizerqueparamudança de umaunidadedaidade, esperamosque o riscorelativo de escolher brand 2 aoinvés de brand 1 aumente de exp(.3682) = 1.45. O riscorelativo é maiorparapessoasmaisvelhas. • Para a variávelfemale, a razão do riscorelativo de escolher brand 2 aoinvés de 1 paramulheres e homens é exp(.5238) = 1.69. • Rrr no mlogitdá o riscorelativo no Stata. (mlogit, rrr)

  9. line p1 age if female ==0 || line p1 age if female==1, legend(order(1 "male" 2 "female"))

More Related