Professional Documents
Culture Documents
+ 1
1
=
Zi
e + 1
e
Zi
De modo que:
NOTA: esta funcin cumple con las dos caractersticas enunciadas anteriormente:
- A(Z) est entre 0 Y 1: a medida que Z
i
se mueve de - a +, P
i
se mueve de 0 a 1.
- Z es lineal en X, pero P no est linealmente relacionado con Z (ni con X)
PROBLEMA: P
i
no es lineal en parmetros, por lo que MCO no aplica. Sin embargo, este
problema se resuelve con algunas transformaciones (o bien pueden aplicarse mtodos
de estimacin no lineal).
Observe que el modelo se puede linealizar como sigue:
SI P
i
=
Zi
e + 1
e
Zi
es la probabilidad de ocurrencia del evento
Funcin de
distribucin
logstica
acumulada
P
i
= E(Y
i
=1 / X
i
) =
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 14
1-P
i
= 1-
Zi
e + 1
e
Zi
=
Zi
e + 1
1
es probabilidad de que no ocurrencia (Y
i
=0)
i
i
P
P
1
=
Zi
e + 1
e
Zi
/
Zi
e + 1
1
=
Zi
e
Aplicando logaritmo se obtiene el logit (L
i
):
L
i
= Ln
|
|
.
|
\
|
i
i
P
P
1
= Z
i
Ln e= Z
i
= X
i
El cual es lineal en parmetros
PROPIEDADES DE ESTE MODELO:
1. A medida que pi va de 0 a 1 (Zi va de - a +), Li va de - a +. Es decir, la
probabilidad est acotada, no as el logit.
2. Li es lineal en X
i
, no as la probabilidad Pi (en todo caso, solo se requiere linealidad
en parmetros). el logit transforma el problema de predecir probabilidades en [0,1]
a un problema de predecir el logit en9.
3. el modelo es extensible al caso de ms de un regresor.
4. Los valores de p
i
se pueden obtener por sustitucin una vez estimados los
parmetros del modelo a partir de la relacin
P
i
=
Zi
e + 1
e
Zi
5. la interpretacin del modelo ya no es tan directa, como se ver a continuacin.
INTERPRETACION DE LOS PARAMETROS:
- Los coeficientes estimados no indican directamente el incremento en la
probabilidad dado un cambio unitario en la correspondiente variable explicativa.
- La pendiente indica cambios en los ODDS ante cambios marginales en X
.
Logaritmo del ODD, o
simplemente logit
Razn de probabilidades a favor de que el evento
ocurra (odds ratio): Ejemplo, si P
i
=0.8 (1-P
i
=0.2), existe
una probabilidad de 4 a 1 a favor del evento
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 15
|
2
= AL/AX
- El signo de los coeficientes si indica la direccin del cambio
- Sin embargo, es posible obtener el efecto sobre la probabilidad, como sigue:
AP/AX =
P (1-P) |
2
As, el cambio en la probabilidad depender no solo de |
2
, sino tambin del valor
de Pi. Es decir, el efecto de la variable X
i
esta ponderado por la probabilidad
considerada.
- Lgicamente, a mayor valor de la pendiente, mayor ser el impacto sobre la
variacin de la probabilidad.
- Interpretacin ms significativa en trminos de probabilidades: tomar el
antilogaritmo de los coeficientes (
i
e
|
). Para anlisis en trminos porcentuales
restar uno del antilogaritmo de coeficiente y el resultado multiplicarlo por 100
(cambio porcentual en la probabilidad por cambio unitario en la variable
explicativa).
3) MODELO PROBIT: la FDA es la funcin normal (normit)
Pi(Yi=1 / Xi) = u (X|)
P = E(Y=1 / X) = z d
i
Y
Z
e
}
2 /
2
2
2
1
to
Donde Z= X|
De modo que:
La estimacin y evaluacin del modelo probit puede hacerse de manera similar al logit,
pero utilizando la FDA normal. Sin embargo, este tipo de modelos requiere ir un poco
ms all, lo que lo hace ms complicado que el logit.
P
i
= u (X
i
|) =
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 16
En efecto, asuma que existe un ndice o variable latente (I
i
) que determina la
ocurrencia del evento, el cual depende de una variable explicativa X
i,
de modo que a
mayor Xi, mayor probabilidad de ocurrencia del evento:
I
i
= |
1
+ |
2
X
i
I
i
> I
i
* Y
i
=1
I
i
< I
i
* Y
i
=0
As, la probabilidad de ocurrencia del evento viene dada por:
P
i
= P(Y=1/X) = P(I
i
> I
i
*) = P(|
1
+ |
2
X
i
> Z
i
) = F(|
1
+ |
2
X
i
)
F(I
i
) = z d
i
I
Z
e
}
2 /
2
2
1
t
As, la probabilidad de ocurrencia del evento es el rea bajo la curva
1
Pi
0 I
i
As, para obtener el ndice y los coeficientes, se toma la inversa de F(I
i
)
I
i
=F
-1
(I
i
)= F
-1
(P
i
)= |
1
+ |
2
X
i
As, para obtener el ndice y los coeficientes, se toma la inversa de F(I
i
)
I
i
=F
-1
(I
i
)= F
-1
(P
i
)= |
1
+ |
2
X
i
La estimacin del ndice y los coeficientes depende del tipo de datos que se tenga:
INTERPRETACIN DE LAS ESTIMACIONES
- Al igual que en el modelo logit, los coeficientes estimados no indican directamente el
incremento en la probabilidad dado un cambio unitario en la correspondiente variable
explicativa.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 17
- De nuevo, los efectos marginales vienen dados por f(y | Z)|
j
donde f(y | Z) es la funcin de
densidad de Y dado Z.
Xki
Xi
c
A c ) ( |
= |(X
i
|)|
k
Lo que implica que debemos buscar el correspondiente valor en tabla, dado un valor de X,
Y multiplicarlo por la pendiente.
- Las pendientes indican cambios en el ODD ante cambios marginales en X
k.
El signo de los
coeficientes indica la direccin del cambio. La magnitud del impacto depende del valor
concreto que tome la funcin de densidad.
CUL MODELO ES PREFERIBLE?
- Muchos prefieren el logstico por ser relativamente ms sencillo
o En el logit la pendiente indica el cambio en el logaritmo de las probabilidades como
consecuencia de un cambio en la variable explicativa. La tasa de cambio de la
probabilidad puede medirse como |
k
P
i
(1-P
i
)
o En el modelo probit la tasa de cambio es ms complicada y viene dada por |
k
u(Z
i
),
siendo u(Z
I
) la funcin de densidad de la normal estndar.
- La distribucin logstica tiene extremos ms anchos, con lo que P
i
se aproxima a
cero o a uno a una tasa menor en el logit que en el probit.
P
1
probit
logit
0
- Los resultados de ambos modelos no son comparables, puesto que las varianzas
residuales en ambos casos son diferentes (aun cuando la media siga siendo cero).
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 18
4. METODOLOGA
4.1. Informacin Primaria a Utilizar; la informacin se ha obtenido en base a una
encuesta realizada especficamente a los representantes de viviendas y
centros comerciales (tiendas, bodegas, etc.) de la ciudad de Cajamarca con la
finalidad de obtener la informacin adecuada para la realizacin del presente
modelo. Las variables incluidas en este modelo conforman las preguntas de la
encuesta realizada a los habitantes de la ciudad de Cajamarca.
4.2. Universo y Muestra
Para determinar el tamao de la muestra de la poblacin se utiliz la frmula
para una poblacin finita, la cual se muestra a continuacin.
= tamao de la muestra a investigar
= 1.96 (tabla de distribucin normal para el 95% de confiabilidad y 5% error)
= (1-p)
= precisin o error admitido
Para esta frmula asumimos que la proporcin de P y Q es del 0.5 para ambas
variables, el nivel de confianza 0.05, siendo Z igual a 1.96 y coeficiente de
precisin 0.1.
Al reemplazar nuestros datos en la frmula anterior, obtenemos con resultado
una muestra de 96. Esto quiere decir que se tiene que aplicar 96 encuestas.
4.3. Variables de estudio
RECICL: Variable dependiente (de respuesta cualitativa)
De acuerdo a la pregunta: Realiza separacin de material reciclable en tachos
u otros recipientes? Por ende recicla. SI: 0 y NO: 1
Variables independientes
CONOCM: representa el conocimiento por cada unidad econmica (familias
y tiendas comerciales)
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 19
De acuerdo a la pregunta: Tiene conocimiento acerca de cun importante
podra ser el impacto del proceso de reciclar en el medio ambiente, variable
cualitativa. SI: 0 y NO: 1
QRESISOL: representa la cantidad que cada unidad econmica (familias y
tiendas comerciales) estima generar de residuos slidos a la semana.
Variable cuantitativa.
De acuerdo a la pregunta: Cantidad de residuos slidos que se estima
generar a la semana (en kg)
GPENLAT: representa la caracterstica de ser o no un gran consumidor de
productos enlatados; principalmente envasados en plstico, vidrio, cartn.
De acuerdo a la pregunta: Es un gran consumidor de productos enlatados
(variable cualitativa). SI: 0 y NO: 1
ALUNINESSUP: Si la familia cuenta con al menos un integrante que haya
realizado estudios superiores (variable cualitativa). SI: 0 y NO: 1
INGRESO: Ingresos promedios al mes (en s/).
Nota: de aqu en adelante ya no haremos uso del trmino unidades econmicas
como familias y tiendas comerciales, sino que para el anlisis e interpretacin
de resultados generalizamos todo como familias puesto una tienda comercial
representa tambin una familia (dueo). Cada familia habita una vivienda en la
ciudad de Cajamarca.
4.4. Resultados de la encuesta:
Cuadro N
o
1
Obs. Reci.
1 0 1 14 0 1 5000
2 0 0 17.5 0 0 800
3 0 0 6 0 0 300
4 1 1 15 0 1 1000
5 1 1 7 0 1 500
6 1 1 6 0 1 750
7 0 1 10 0 0 900
8 1 1 5 1 1 1200
9 0 0 9 0 1 2500
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 20
10 1 1 20 1 1 1000
11 1 1 4.5 1 1 600
12 0 1 20 1 1 1800
13 0 0 1 0 0 250
14 0 0 6 0 0 1000
15 0 1 1 0 0 350
16 1 1 2 0 1 400
17 0 0 12 1 0 1100
18 1 1 2 0 1 250
19 1 1 6 0 0 800
20 1 1 12 0 1 1100
21 1 1 9.5 1 1 1500
22 1 0 6.5 0 1 1200
23 0 1 10 0 0 750
24 0 1 5 0 1 1000
25 1 1 6 1 1 900
26 1 1 5 1 1 1200
27 1 1 4.5 0 1 1600
28 1 1 5 0 1 1800
29 0 0 3 1 0 700
30 0 0 10 0 0 20000
31 1 1 13 1 1 2000
32 1 1 15 1 1 2500
33 1 1 6 0 1 1950
34 0 1 15 0 1 2500
35 1 1 5 0 1 3000
36 0 0 11 0 0 2000
37 1 1 7 1 1 6000
38 0 1 20 1 1 3500
39 0 1 10 0 1 3800
40 0 1 7 1 1 1500
41 1 1 5 0 1 4000
42 0 1 5 0 1 2500
43 0 0 7.5 0 0 750
44 0 1 10 1 1 2500
45 1 1 3 0 1 1500
46 0 1 8 0 1 5000
47 1 1 4 0 1 1000
48 1 1 1 0 1 1500
49 0 1 30 0 1 3000
50 1 1 10 0 1 1000
51 0 1 10 1 1 3000
52 1 1 3 1 1 350
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 21
53 1 1 9 0 1 500
54 1 1 5 0 0 1500
55 1 1 17 0 1 1700
56 1 1 20 1 1 900
57 1 1 21 1 1 800
58 1 1 8 0 1 1000
59 1 1 8 1 1 1100
60 1 1 4 0 0 300
61 0 0 1 1 0 300
62 1 1 15 0 1 1265
63 0 1 3 1 1 2500
64 0 0 5 0 0 300
65 0 1 1 0 1 2500
66 1 1 10 0 1 2000
67 1 1 5 0 1 900
68 1 1 6 1 0 400
69 0 0 2 0 0 400
70 1 1 5 0 0 500
71 0 0 1 0 1 800
72 1 0 2 0 1 800
73 0 0 6 0 0 300
74 1 1 4 0 0 300
75 0 0 20 1 0 1200
76 1 1 10 0 1 1000
77 0 0 5.5 0 1 650
78 1 1 4 0 1 700
79 0 0 8 0 0 300
80 0 1 5 1 1 1800
81 0 1 7.5 1 1 1000
82 0 1 12 0 1 1500
83 1 1 10 1 1 2000
84 1 1 5 1 1 500
85 1 1 4 0 1 1500
86 0 0 4 0 0 750
87 0 0 30 0 1 600
88 0 1 12 0 0 300
89 1 1 5 1 1 1800
90 1 1 7 1 1 1000
91 0 1 12 0 1 850
92 1 1 10 1 1 2000
93 1 1 20 1 1 500
94 0 1 4 0 1 6000
95 0 0 5 0 1 750
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 22
96 1 1 7 0 1 700
Fuente: elaboracin propia
5. ESPECIFICACIN DEL MODELO ECONOMTRICO
P (Y=1/X) = F (1 + 2*X1 + 3*X2 + 4*X3 + 5*X4 + 6*X6)
P (RECICL =1/X) = F (1 + 2* CONOCM + 3* QRESISOL + 4* GPENLAT + 5* ALUNINESSUP +
6* INGRESO) + ui
Donde:
P
es la probabilidad condicional de que las familias si reciclen su basura. Es
decir que el evento ocurra.
Las variables CONOCM, QRESISOL, GPENLAT, ALUNINESSUP e INGRESO son las
variables explicativas. Anteriormente ya se las describi.
6. ESTIMACION DEL MODELO
Para estimar los parmetros del modelo se hace uso de los modelos logit y
probit, hallados por medio del Eviews. Entendidos estos como modelos que
permiten superar las dificultades del modelo de probabilidad lineal.
Sin embargo como medida de comparacin y para poder determinar la
significancia de las variables exgenas por medio del modelo lineal
probabilstico. Se realiza la estimacin de los parmetros por el mtodo de los
M.C.O. As se obtuvo:
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 23
La tabla de regresin muestra los valores estimados para los coeficientes del
modelo (1 = 0.175184, 2 = 0.487765, 3 = -0.012351, 4 = 0.029447, 5 =
0.203795 y 6 = - 0.00061), junto con sus p-valores asociados (0.1177, 0.0001,
0.1001, 0.7565, 0.0831, 0.0666, respectivamente).
Se puede observar que las variables CONOCM, QRESISOL, ALUNINESSUOP,
INGRESO son estadsticamente significativas a un nivel de confianza de 90%. Sin
embargo la variable GPENLAT no es nada significativa, la cual tiene una
probabilidad de error de aproximadamente 75.7%.
El grafico siguiente, hallado por medio de forecast, nos muestra uno de los problemas
que presenta el modelo lineal probabilstico. Uno de las condiciones de la probabilidad
es que este valor tiene que estar entre [0,1]. El grafico nos muestra que al estimar los
parmetros por medio del M.C.O esto no se cumple. Pueden obtenerse valores de la
variable dependiente superior a uno o menores a cero. Por tanto estimaciones de la
variable dependiente no acotadas entre 0 y 1.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 24
6.1. MODELO PROBIT (tambin llamado modelo Normit)
Al realizar la estimacin de los parmetros por medio de este modelo se
obtuvo.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 25
Las variables CONOCM, ALUNINESSUP e INGRESO segn este modelo son
estadsticamente significativas a un nivel de confianza del 90% e incluso son
estadsticamente significativas a un nivel de confianza de 95%, sin embargo
QRESISOL ya no lo es puesto que su probabilidad de error es superior al
10%. Adems GPENLAT es demasiado insignificante tiene una probabilidad
de error de 91% aproximadamente.
El grafico muestra que al realizar la estimacin por medio del modelo probit se
soluciona el problema de estimaciones de RESICL no acotadas entre 0 y 1. La otra
alternativa es el modelo logstico.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 26
6.2. MODELO LOGIT: regresin logstica
Segn la regresin logstica se observa que los p-valores asociados a los
coeficientes 2, 5 y 6 son inferiores a 0,10. Por tanto, para un nivel de
significacin = 0,10, estos son estadsticamente significativos dentro del modelo.
La variable QRESISOL no es estadsticamente significativa a un 90% de confianza.
La variable GPENLAT es an ms insignificante que en el modelo probit, con una
probabilidad de error de 96% aproximadamente.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 27
7. CORRECCIN:
Los resultados de los diferentes modelos demuestran que el hecho que una
familia seo o no un gran consumidor de productos enlatados no influye en su
decisin de reciclar. Adems como se ver ms adelante al realizar las nuevas
estimaciones logit y probit, sin la variable GEPENLAT, la significancia de las
variables restantes aumenta y R
2
es el mismo (una muy mnima variacin).
Con el fin de poder determinar las principales variables que pueden influir en la
probabilidad de reciclar en la ciudad de Cajamarca, vamos a obviar esta variable
que resulta muy insignificante.
Entonces el modelo corregido, tomando solo las variables que son significativas
y que pueden influir en la probabilidad de reciclar queda reducido solo a cuatro
variables explicativas CONOCM, QRESISOL, ALUNINESSUP e INGRESO.
7.1. Especificacin
P (Y=1/X) = F (1 + 2*X1 + 3*X2 + 4*X3 + 5*X4 + 6*X6)
P (RECICL=1/X) = F (1 + 2*CONOCM + 3*QRESISOL + 4*ALUNINESSUP +
5*INGRESO) + ui
Nota: las interpretaciones y resultados del modelo se lo har solo con las cuatro
variables ya descritas
7.2. Las nuevas estimaciones por ambos modelos (probit y logit) son:
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 28
MODELO PROBIT
Los valores estimados para los coeficientes segn el modelo probit, tomando las
variables que realmente son significativas en la probabilidad de reciclar (a excepcin
de QRESISOL, que no es significativa a un nivel de significancia de 5%, pero que
tambin se le incluye dentro del modelo puesto que su probabilidad de error es casi el
10%), son: 1 = -1.307184, 2 = 1.980853, 3 = -0.046546, 4 = 1.247314 y 6 = -
0.000487
INTERPRETACIN
Cada uno es un coeficiente de pendiente parcial y mide el logit o probit estimado
correspondiente a una unidad de cambio del valor de la regresada (con las dems
represoras constantes).
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 29
2 =1.980853; significa que manteniendo las dems variables contantes, un
cambio de no tener conocimientos a si tener conocimientos aumenta en 1.98 veces
la probabilidad de reciclar.
3 = -0.046546; significa que manteniendo todas las dems variables constantes un
incremento de un kilogramo de residuos slidos, disminuye la probabilidad de
reciclar en aproximadamente 0.046546.
4 = 1.247314; significa que manteniendo todas las dems variables contantes un
cambio de no tener al menos un integrante que haya realizado estudios superiores
a si tenerlo, aumenta la probabilidad de reciclar en un 1.247314 aproximadamente.
5=-0.000487; significa que manteniendo todas las dems variables constantes un
incremento de un nuevo sol en el ingreso de las familias disminuye la probabilidad
de reciclar aproximadamente en 0.000487.
MODELO LOGIT
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 30
Los coeficientes del modelo segn la estimacin logstica son: 1 = -2.168936, 2
=3.331544, 3 =-0.077725, 4 =2.095189, 5=-0.000849.
INTERPRETACIN
2 =3.331544; significa que manteniendo las dems variables contantes, un
cambio de no tener conocimientos a si tener conocimientos aumenta en 3.331544
veces la probabilidad de reciclar.
3 =-0.077725; significa que manteniendo todas las dems variables constantes un
incremento de un kilogramo de residuos slidos, disminuye la probabilidad de
reciclar en aproximadamente 0.077725.
4 =2.095189; significa que manteniendo todas las dems variables contantes un
cambio de no tener al menos un integrante que haya realizado estudios superiores
a si tenerlo, aumenta la probabilidad de reciclar en un 2.095189 aproximadamente.
5=-0.000849; significa que manteniendo todas las dems variables constantes un
incremento de un nuevo sol en el ingreso de las familias disminuye la probabilidad
de reciclar aproximadamente en 0.000849.
8. RESULTADOS
Segn el modelo logit
Funcin de distribucin logstica acumulativa P
i
=
Zi
e + 1
e
Zi
o
Una familia que gana s/300 al mes, que no tiene conocimiento de la importancia de
reciclar para contribuir al medio ambiente, adems genera 5kg de residuos slidos y no
cuenta con al menos un integrante que haya realizado estudios superiores. Tiene una
probabilidad de 4.59% de reciclar su basura.
Una familia que tiene un ingreso mensual de s/300, si tiene conocimiento de lo importante
que es reciclar para contribuir al medio ambiente, genera 4kg de residuos slidos a la
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 31
semana y adems no cuenta con al menos un integrante que haya realizado estudios
superiores. Tiene una probabilidad de reciclar de 63.36% aproximadamente.
Una familia que no tiene conocimiento de lo importante que es reciclar para contribuir con
el medio ambiente, genera 5.5 kg de residuos slidos a la semana, si cuenta con al menos
un integrante que haya realizado estudios superiores y tiene un ingreso promedio al mes
de s/650 al mes. Tiene una probabilidad de reciclar aproximadamente de 25.86%.
Una familia que si tiene conocimiento de lo importante que es reciclar, genera 4kg de
residuos slidos al mes, si cuenta con al menos un integrante que haya realizado estudios
superiores adems tiene un ingreso mensual de s/700, tiene una probabilidad de reciclar
de 91.31% aproximadamente.
Una familia que si tiene conocimiento de lo importante que es reciclar, genera 10kg de
residuos slidos a la semana, no cuenta con al menos un integrante que haya realizado
estudios superiores y adems tiene un ingreso promedio mensual de s/900 tiene una
probabilidad de reciclar de 40.6% aproximadamente.
Una familia que si tiene conocimiento de lo importante que es reciclar, genera 20kg de
residuos slidos a la semana, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio al mes de s/900, tiene una probabilidad
de reciclar de 71.9% aproximadamente.
Una familia que no tiene conocimiento de lo importante que es reciclar, genera 6kg de
residuos slidos a la semana, no cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio mensual de s/1000, tiene una
probabilidad de reciclar de 2.98% aproximadamente.
Segn el modelo probit
Una familia que no tiene conocimientos de lo importante que es reciclar, genera 20kg de
residuos slidos a la semana, no cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio al mes de 1200, tiene una probabilidad de
reciclar de 0.24 % aproximadamente.
Una familia que si tiene conocimientos de lo importante que es reciclar, genera 17 kg de
residuos slidos al mes, si cuenta con al menos un integrante que haya realizado estudios
superiores y tiene un ingreso promedio al mes de s/1700 tiene una probabilidad de reciclar
de 61.88% aproximadamente.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 32
Una familia que genera 20kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/1800 al mes, tiene una probabilidad
de reciclar de 54.5% aproximadamente.
Una familia que genera 10kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/2000 al mes, tiene una probabilidad
de reciclar de 68.6% aproximadamente.
Una familia que genera 10kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/2000 al mes, tiene una probabilidad
de reciclar de 68.6% aproximadamente.
Una familia que genera 13kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/2000 al mes, tiene una probabilidad
de reciclar de 63.4% aproximadamente.
Una familia que genera 15kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/2500 al mes, tiene una probabilidad
de reciclar de 50.2% aproximadamente.
Una familia que genera 5kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/4000 al mes, tiene una probabilidad
de reciclar de 39.8% aproximadamente.
Una familia que genera 4kg de residuos slidos a la semana, si tiene conocimiento de lo
importante que es reciclar, si cuenta con al menos un integrante que haya realizado
estudios superiores y tiene un ingreso promedio de s/6000 al mes, tiene una probabilidad
de reciclar de 11.8% aproximadamente.
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 33
CONCLUSIONES
La variable GPENLAT segn lo demuestran los modelos: MLP (m.c.o.), probit y
logit, no influye en la probabilidad de reciclar. De acuerdo a las estimaciones
realizadas esta tiene una probabilidad muy alta de error alrededor de un 90%.
Por tal motivo es excluida del modelo.
Las principales variables que influyen en la decisin de que las familias de la
ciudad de Cajamarca reciclen su basura (residuos slidos) son: CONOCM,
ALUNINESSUP e INGRESO. Las cuales son estadsticamente significativas a un 5% de
probabilidad de error. Sin embargo la variable QRESISO tambin se la incluye en
el modelo, a pesor de no ser tan significativa, porque tambin puede influir en
el modelo.
La variable CNOCM, tiene un alto efecto positivo sobre el valor logit o probit
estimado de 3.33 y 1.98 respectivamente. As en la ciudad de Cajamarca, segn el
modelo hallado, la decisin de reciclar mucho depende de que tan informada y
conocimientos tenga una familia acerca de la importancia de reciclar en medio
ambiente.
OBS. RESICL CONOCM QRESISOL ALUNINESSUP INGRESO LOGIT PROBIT
14 0 0 6 0 1000 0.02975237 0.01907607
47 1 1 4 1 1000 0.89066391 0.89399241
Forecast (Eviews)
Se comprueba la hiptesis planteada de que familias con mayores ingresos tienen
menos probabilidad de reciclar, as lo demuestra el modelo logit y probit.
OBS. RESICL CONOCM QRESISOL ALUNINESSUP INGRESO LOGIT PROBIT
96 1 1 7 1 700 0.8927527 0.89515715
35 1 1 5 1 3000 0.57959324 0.59017256
Forecast (Eviews)
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 34
Una familia que si cuenta con al menos un integrante que haya realizado estudios
superiores tiene una mayor probabilidad de reciclar que una que no lo tiene. As:
OBS. RESICL CONOCM QRESISOL ALUNINESSUP INGRESO LOGIT PROBIT
19 1 1 6 0 800 0.50419301 0.50198956
90 1 1 7 1 1000 0.86580497 0.8661563
Forecast (Eviews)
La variable QRESISOL, representa la cantidad de residuos slidos generados a la
semana, esta variable no es significativa a un 10% de probabilidad de error. Sin
embargo las estimaciones logit y probit demuestran que una familia que genera ms
kg de residuos slidos a la semana tiene menos probabilidad de reciclar.
OBS. RESICL CONOCM QRESISOL ALUNINESSUP INGRESO LOGIT PROBIT
57 1 1 21 1 800 0.72032742 0.71024623
47 1 1 4 1 1000 0.89066391 0.89399241
Forecast (Eviews)
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013
ECONOMIA 35
Bibliografa
http://www.muyinteresante.es/naturaleza/preguntas-respuestas/en-que-
paises-se-recicla-mas
http://yuyiis3.blogspot.com/2013/03/en-que-paises-se-recicla-mas.html
http://es.answers.yahoo.com/question/index?qid=20091208180030AAEBwlm
http://peru21.pe/noticia/466127/peru-83-basura-se-va-al-ambiente
http://fonamperu.org/general/agua/residuos.php
http://elcomercio.pe/peru/275814/noticia-peru-solo-se-reutiliza-basura-que-
recolectada
http://www.andina.com.pe/Espanol/Noticia.aspx?id=tA40+mVPBwQ=
Castillo ureo, "Educacin Familiar y Ciudadana 7 Grado. Editorial Obelisco,
Caracas 1993.
Manual de evaluacin de impacto ambiental, CONAMA, 1994.
Gujarati, ECONOMETRIA