Introducción a los Modelos de Elección Discreta
Los modelos de elección discreta son una clase de modelos estadísticos utilizados para analizar y predecir decisiones en las que los individuos o agentes eligen entre un conjunto finito de alternativas. Estos modelos son fundamentales en econometría, marketing, ciencias sociales, y muchos otros campos donde se estudian elecciones o decisiones categóricas.
1. Fundamentos de los Modelos de Elección Discreta
En un modelo de elección discreta, se asume que los individuos enfrentan una elección entre varias alternativas y que sus decisiones pueden ser modeladas como una función de variables observables y no observables.
1.1. Especificación del Modelo
Consideremos un escenario en el que un individuo debe elegir entre \( J \) alternativas. Cada alternativa \( j \) tiene un valor o utilidad asociada, que el individuo utiliza para tomar su decisión. La utilidad de la alternativa \( j \) para el individuo \( i \) se denota como \( U_{ij} \), y puede descomponerse en una parte observable y una parte no observable:
\[
U_{ij} = V_{ij} + \epsilon_{ij}
\]
Donde:
- \( V_{ij} \) es la utilidad observada, que depende de las características observables del individuo y de la alternativa.
- \( \epsilon_{ij} \) es el término de error no observable, que captura factores no observados que afectan la elección.
1.2. Elección de la Alternativa
El individuo elige la alternativa que maximiza su utilidad. Así, la probabilidad de que el individuo \( i \) elija la alternativa \( j \) se puede expresar como:
\[
P_{ij} = \Pr(U_{ij} > U_{ik} \text{ para } k \neq j)
\]
2. Modelos de Elección Discreta Clásicos
2.1. Modelo Logit
El modelo logit es uno de los modelos de elección discreta más utilizados. En el modelo logit, se asume que el término de error \( \epsilon_{ij} \) sigue una distribución logística, lo que lleva a una forma particular de la función de probabilidad.
La utilidad \( V_{ij} \) se especifica como una combinación lineal de variables explicativas:
\[
V_{ij} = \beta^\top X_{ij}
\]
Donde \( X_{ij} \) son las variables explicativas y \( \beta \) son los parámetros a estimar.
La probabilidad de que el individuo \( i \) elija la alternativa \( j \) se calcula como:
\[
P_{ij} = \frac{e^{\beta^\top X_{ij}}}{\sum_{k=1}^J e^{\beta^\top X_{ik}}}
\]
2.2. Modelo Probit
En el modelo probit, se asume que el término de error \( \epsilon_{ij} \) sigue una distribución normal estándar. La utilidad \( V_{ij} \) se especifica de manera similar a como se hace en el modelo logit.
La probabilidad de que el individuo \( i \) elija la alternativa \( j \) se calcula como:
\[
P_{ij} = \Phi\left(\frac{\beta^\top X_{ij} - \beta^\top X_{ik}}{\sigma}\right)
\]
donde \( \Phi \) es la función de distribución acumulativa de la normal estándar y \( \sigma \) es la desviación estándar del término de error.
3. Estimación de Parámetros
3.1. Método de Máxima Verosimilitud
Para ambos modelos, los parámetros se estiman generalmente usando el método de máxima verosimilitud. La función de verosimilitud para el modelo logit, por ejemplo, es:
\[
L(\beta) = \prod_{i=1}^N \prod_{j=1}^J \left(P_{ij}\right)^{\delta_{ij}}
\]
donde \( \delta_{ij} \) es una variable indicadora que toma el valor de 1 si la alternativa \( j \) es elegida por el individuo \( i \) y 0 en caso contrario.
3.2. Ejemplo de Estimación
Supongamos que queremos modelar la elección de un tipo de transporte (auto, bicicleta, transporte público) basado en variables como el costo y el tiempo. El modelo logit para esta elección puede especificarse como:
\[
P_{ij} = \frac{e^{\beta_0 + \beta_1 \text{Costo}_{ij} + \beta_2 \text{Tiempo}_{ij}}}{\sum_{k=1}^3 e^{\beta_0 + \beta_1 \text{Costo}_{ik} + \beta_2 \text{Tiempo}_{ik}}}
\]
Los parámetros \( \beta_0 \), \( \beta_1 \), y \( \beta_2 \) se estiman mediante máxima verosimilitud.
4. Aplicaciones de los Modelos de Elección Discreta
4.1. Marketing
En marketing, estos modelos ayudan a entender las preferencias de los consumidores y a predecir la demanda de productos en función de características del producto y del consumidor.
4.2. Economía y Transporte
En economía y transporte, se utilizan para modelar las elecciones entre diferentes modos de transporte, teniendo en cuenta factores como el costo, el tiempo, y las características del transporte.
5. Conclusión
Los modelos de elección discreta proporcionan un marco poderoso para analizar decisiones en las que los individuos eligen entre un conjunto finito de alternativas. El modelo logit y el modelo probit son dos de las especificaciones más comunes, cada uno con sus propias suposiciones sobre la distribución del término de error. La estimación de parámetros se realiza generalmente mediante el método de máxima verosimilitud, y estos modelos encuentran aplicaciones en una amplia gama de campos.
Modelo logit
El modelo logit es uno de los modelos de elección discreta más ampliamente utilizados para analizar decisiones en las que los individuos eligen entre un conjunto finito de alternativas. Se basa en una función de probabilidad que utiliza una distribución logística para modelar las elecciones.
1. Fundamentos del Modelo Logit
1.1. Especificación del Modelo
En el modelo logit, se asume que la utilidad de la alternativa \( j \) para el individuo \( i \) está compuesta por una parte observada y una parte no observada:
\[
U_{ij} = V_{ij} + \epsilon_{ij}
\]
Donde:
- \( U_{ij} \) es la utilidad total de la alternativa \( j \) para el individuo \( i \).
- \( V_{ij} \) es la utilidad observada, que depende de las características observables de la alternativa \( j \) y del individuo \( i \).
- \( \epsilon_{ij} \) es el término de error no observado que sigue una distribución logística.
La utilidad observada \( V_{ij} \) se especifica generalmente como una combinación lineal de variables explicativas:
\[
V_{ij} = \beta^\top X_{ij}
\]
Donde \( X_{ij} \) son las variables explicativas asociadas a la alternativa \( j \) y \( \beta \) es el vector de coeficientes a estimar.
1.2. Función de Probabilidad
El modelo logit se basa en la distribución logística de \( \epsilon_{ij} \). La probabilidad de que el individuo \( i \) elija la alternativa \( j \) se calcula como:
\[
P_{ij} = \Pr(\text{elección } j) = \frac{e^{V_{ij}}}{\sum_{k=1}^J e^{V_{ik}}}
\]
Sustituyendo \( V_{ij} = \beta^\top X_{ij} \):
\[
P_{ij} = \frac{e^{\beta^\top X_{ij}}}{\sum_{k=1}^J e^{\beta^\top X_{ik}}}
\]
Donde:
- \( \beta^\top X_{ij} \) es la utilidad observada de la alternativa \( j \) para el individuo \( i \).
- El denominador suma las utilidades de todas las alternativas disponibles para normalizar la probabilidad.
2. Estimación del Modelo Logit
2.1. Método de Máxima Verosimilitud
La estimación de los parámetros del modelo logit se realiza mediante el método de máxima verosimilitud. La función de verosimilitud se basa en las probabilidades de elección observadas para cada individuo y alternativa:
\[
L(\beta) = \prod_{i=1}^N \prod_{j=1}^J \left(P_{ij}\right)^{\delta_{ij}}
\]
Donde:
- \( \delta_{ij} \) es una variable indicadora que toma el valor 1 si el individuo \( i \) elige la alternativa \( j \) y 0 en caso contrario.
- \( N \) es el número total de individuos.
La función de log-verosimilitud es:
\[
\ell(\beta) = \sum_{i=1}^N \sum_{j=1}^J \delta_{ij} \ln(P_{ij})
\]
El objetivo es encontrar el valor de \( \beta \) que maximiza esta función de log-verosimilitud.
2.2. Ejemplo de Estimación
Supongamos que estamos analizando las elecciones entre diferentes tipos de transporte (auto, bicicleta, transporte público) basadas en el costo y el tiempo. El modelo logit para esta elección puede especificarse como:
\[
P_{ij} = \frac{e^{\beta_0 + \beta_1 \text{Costo}_{ij} + \beta_2 \text{Tiempo}_{ij}}}{\sum_{k=1}^3 e^{\beta_0 + \beta_1 \text{Costo}_{ik} + \beta_2 \text{Tiempo}_{ik}}}
\]
Aquí, \( \beta_0 \), \( \beta_1 \), y \( \beta_2 \) son los parámetros a estimar, y \( \text{Costo}_{ij} \) y \( \text{Tiempo}_{ij} \) son las variables explicativas.
3. Propiedades del Modelo Logit
3.1. Independencia de Alternativas Irrelevantes (IIA)
Una característica clave del modelo logit es el supuesto de independencia de alternativas irrelevantes (IIA). Esto implica que la relación de probabilidad entre dos alternativas no se ve afectada por la presencia o ausencia de otras alternativas en el conjunto. Formalmente, para dos alternativas \( j \) y \( k \), la razón de probabilidades se mantiene constante si se agregan o eliminan otras alternativas:
\[
\frac{P_{ij}}{P_{ik}} = \text{constante} \text{ para } j, k
\]
3.2. Interpretación de Coeficientes
En el modelo logit, los coeficientes \( \beta \) se interpretan en términos de sus efectos sobre el logaritmo de las probabilidades relativas. Si el coeficiente \( \beta_j \) para una variable \( X_j \) es positivo, un aumento en \( X_j \) incrementará la probabilidad de elegir la alternativa correspondiente.
4. Aplicaciones del Modelo Logit
4.1. Marketing
El modelo logit se utiliza para prever cómo los consumidores eligen entre diferentes productos o marcas, basándose en atributos del producto y características del consumidor.
4.2. Transporte
Se emplea para modelar las decisiones de transporte entre diferentes modos, como auto, bicicleta o transporte público, teniendo en cuenta el costo, el tiempo y otras variables relevantes.
4.3. Política
Se aplica para analizar las elecciones de los votantes entre diferentes candidatos o partidos, considerando variables como las plataformas políticas y las características de los candidatos.
5. Conclusión
El modelo logit es una herramienta poderosa para analizar decisiones discretas, permitiendo modelar la probabilidad de elección entre alternativas en función de características observables. Su capacidad para manejar la distribución logística de errores y la interpretación directa de coeficientes hacen que sea ampliamente utilizado en diversas aplicaciones. Sin embargo, el supuesto de independencia de alternativas irrelevantes (IIA) es una limitación que debe considerarse al aplicar el modelo en contextos donde las alternativas son interdependientes.
Modelo probit
El modelo probit es otro tipo de modelo de elección discreta que se utiliza para modelar decisiones en las que se elige entre un conjunto finito de alternativas. A diferencia del modelo logit, que asume una distribución logística para el término de error, el modelo probit asume que el término de error sigue una distribución normal estándar.
1. Fundamentos del Modelo Probit
1.1. Especificación del Modelo
Al igual que en el modelo logit, la utilidad de la alternativa \( j \) para el individuo \( i \) en el modelo probit se descompone en una parte observable y una parte no observable:
\[
U_{ij} = V_{ij} + \epsilon_{ij}
\]
Donde:
- \( U_{ij} \) es la utilidad total de la alternativa \( j \) para el individuo \( i \).
- \( V_{ij} \) es la utilidad observada, que depende de las características observables de la alternativa \( j \) y del individuo \( i \).
- \( \epsilon_{ij} \) es el término de error no observado que sigue una distribución normal estándar \( \mathcal{N}(0,1) \).
La utilidad observada \( V_{ij} \) se especifica como una combinación lineal de variables explicativas:
\[
V_{ij} = \beta^\top X_{ij}
\]
Donde \( X_{ij} \) son las variables explicativas asociadas a la alternativa \( j \) y \( \beta \) es el vector de coeficientes a estimar.
1.2. Función de Probabilidad
En el modelo probit, se asume que el término de error \( \epsilon_{ij} \) sigue una distribución normal estándar. La probabilidad de que el individuo \( i \) elija la alternativa \( j \) se calcula como:
\[
P_{ij} = \Pr(\text{elección } j) = \Pr(U_{ij} > U_{ik} \text{ para } k \neq j)
\]
Esto se puede escribir como:
\[
P_{ij} = \Pr\left(\beta^\top X_{ij} + \epsilon_{ij} > \beta^\top X_{ik} + \epsilon_{ik} \text{ para } k \neq j \right)
\]
La probabilidad se calcula usando la función de distribución acumulativa (CDF) de la normal estándar \( \Phi \):
\[
P_{ij} = \Phi\left(\frac{\beta^\top X_{ij} - \beta^\top X_{ik}}{\sigma}\right)
\]
donde \( \Phi \) es la función de distribución acumulativa de la normal estándar y \( \sigma \) es la desviación estándar del término de error.
2. Estimación del Modelo Probit
2.1. Método de Máxima Verosimilitud
La estimación de los parámetros del modelo probit se realiza mediante el método de máxima verosimilitud. La función de verosimilitud se basa en las probabilidades de elección observadas para cada individuo y alternativa.
La función de verosimilitud para el modelo probit es:
\[
L(\beta) = \prod_{i=1}^N \prod_{j=1}^J \left(P_{ij}\right)^{\delta_{ij}}
\]
donde:
- \( \delta_{ij} \) es una variable indicadora que toma el valor 1 si el individuo \( i \) elige la alternativa \( j \) y 0 en caso contrario.
- \( N \) es el número total de individuos.
La función de log-verosimilitud es:
\[
\ell(\beta) = \sum_{i=1}^N \sum_{j=1}^J \delta_{ij} \ln(P_{ij})
\]
El objetivo es encontrar el valor de \( \beta \) que maximiza esta función de log-verosimilitud.
2.2. Ejemplo de Estimación
Supongamos que estamos analizando las decisiones de un consumidor entre diferentes tipos de productos (por ejemplo, productos de lujo, estándar, y económicos), basadas en características como el precio y la calidad. La especificación del modelo probit podría ser:
\[
P_{ij} = \Phi\left(\frac{\beta_0 + \beta_1 \text{Precio}_{ij} + \beta_2 \text{Calidad}_{ij} - \beta_0 - \beta_1 \text{Precio}_{ik} - \beta_2 \text{Calidad}_{ik}}{\sigma}\right)
\]
Aquí, \( \beta_0 \), \( \beta_1 \), y \( \beta_2 \) son los parámetros a estimar, y \( \text{Precio}_{ij} \) y \( \text{Calidad}_{ij} \) son las variables explicativas.
3. Propiedades del Modelo Probit
3.1. Interpretación de Coeficientes
En el modelo probit, los coeficientes \( \beta \) no tienen una interpretación directa en términos de efectos marginales sobre las probabilidades, como ocurre en el modelo logit. Sin embargo, los coeficientes se pueden utilizar para calcular los efectos marginales de las variables explicativas sobre la probabilidad de elegir una alternativa.
3.2. Comparación con el Modelo Logit
- Distribución del Error: El modelo probit asume una distribución normal para el error, mientras que el modelo logit asume una distribución logística.
- Propiedad IIA: Ambos modelos asumen la propiedad de independencia de alternativas irrelevantes (IIA), aunque el modelo logit tiende a ser más sensible a este supuesto.
4. Aplicaciones del Modelo Probit
4.1. Medicina
En medicina, el modelo probit se usa para analizar la elección de tratamientos o la respuesta a tratamientos basados en características del paciente y del tratamiento.
4.2. Ciencias Sociales
Se utiliza para estudiar decisiones como la elección de carrera o la participación en actividades sociales, teniendo en cuenta variables socioeconómicas.
4.3. Finanzas
En finanzas, el modelo probit puede ayudar a modelar la probabilidad de quiebra o de incumplimiento de crédito en función de variables financieras y económicas.
5. Conclusión
El modelo probit es una herramienta útil para analizar decisiones discretas donde los términos de error siguen una distribución normal. Ofrece una alternativa al modelo logit, con la principal diferencia en la distribución del término de error. Aunque los coeficientes del modelo probit no tienen una interpretación directa en términos de probabilidades, el modelo proporciona una forma robusta de modelar elecciones y decisiones en diversas aplicaciones.