Modelo logit y probit para determinar factores que influyen en el reciclaje en Cajamarca

Modelo economtrico de respuesta
cualitativa: logit y probit

ECONOMETRIA II:
MODELOS PROBIT Y
LOGIT
ECONOMIA
INTEGRANTES:
CHUQUIMANGIO VALLEJOS, CELINA
HUAMANCHUMO ORTIZ, SADITH
JARA CASTREJON ANA KARI
LINGAN RONCAL ROSA
ECONOMETRIA II: MODELOS PROBIT Y LOGIT 30-9-2013

ECONOMIA 1

INTRODUCCIN
El reciclaje es un proceso por el cual los materiales de desecho son sometidos a
tratamientos que permiten su transformacin en nuevas materias primas o productos.
La utilizacin de productos reciclados disminuye el consumo de energa, conserva los
recursos naturales y en general disminuye la contaminacin.
El reciclaje tiene inigualables beneficios, sin embargo tambin existen algunos
obstculos que impiden llevarlo a cabo. Tal vez, el principal problema que impide que
las personas reciclen, valoren y cuiden el medio ambiente es la falta de informacin y
conocimientos que estas tengan con respecto a la problemtica ambiente que el
mundo est pasando, y lo importante que podra ser cada contribucin por habitante
para menguar el dao ambiental. Todo ello lleva a una ausencia de conciencia
ambiental en la poblacin.
Los problemas sociales relacionados con el reciclaje se solucionan en gran parte con la
educacin, sin embargo las sociedades tienden a resistirse a los cambios. El ciclo
tradicional de adquirir consumir desechar es muy difcil de romper. Siempre es ms
conveniente el hbito de arrojar todo hacia afuera. Cada sociedad presenta diferentes
caractersticas y complejos propios de su cultura.
En la ciudad de Cajamarca existen muchos factores que determinan si la gente recicla o
no, gran peso tiene que tan informadas estn las personas. El objetivo es entonces
hallar estos.
Existen pases que pese a que son pases que ocupan econmicamente los primeros
lugares se resisten a disminuir sus desechos. Las investigaciones y noticias demuestran
que pases ms ricos generan ms basura y reciclan menos, entonces se podra inferir
que personas con mayores ingresos reciclan menos. Ser esta la situacin de la ciudad
de Cajamarca. Existen muchos determinantes de porque una comunidad recicla o no,
lo que se pretende es determinar las principales variables que influyen en la decisin
de reciclar o no de los habitantes de la ciudad de Cajamarca; a travs de un modelo
economtrico de respuesta cualitativa logit probit

ECONOMIA 2

1. OBJETIVOS:
1.1. Objetivos Generales:
Obtener un modelo economtrico de respuesta cualitativa que permita
identificar las variables que podran ser determinantes de si los habitantes
de la ciudad de Cajamarca reciclan o no su basura. Obtener la estimacin a
travs de los modelos probit y logit.
1.2. Objetivos Especficos:
Determinar la probabilidad con la que los habitantes de la ciudad de
Cajamarca separan su basura para poder reciclarla.
Determinar aproximadamente cuanto podra variar esta probabilidad si se
hace variaciones en las variables explicativas
Poder en el futuro, en base al modelo obtenido, ayudar a incrementar la
probabilidad de que los habitantes de la ciudad de Cajamarca reciclen su
basura; contribuyendo de forma indirecta a la investigacin para mejor la
calidad de vida.

2. HIPTESIS :
La decisin de reciclar o no su basura por parte de los habitantes de la ciudad
de Cajamarca depende de muchos factores; la educacin, informacin,
conocimientos que se tenga al respecto del tema es uno de los principales
determinantes. Si la poblacin tiene un amplio y profundo conocimiento
acerca de lo importe que es reciclar para contribuir con el medio ambiente y
bienestar en general probablemente si recicle.
La cantidad de residuos slidos que cada familia o unidad econmico genere
tambin puede influir en la decisin de reciclar o no. El comportamiento
humano demuestra que cuando algo resulta muy tedioso hacerlo y el beneficio
se ve un poco alejado, simplemente no se lo hace. As, una familia que genera
gran cantidad de residuos slidos probablemente esta tenga pereza separar
una gran cantidad de basura y adems considere una prdida de tiempo estar
seleccionando la basura para reciclarla. Entonces existe menos probabilidad de

ECONOMIA 3

que una familia que genera gran cantidad de residuos slidos a la semana
recicle.
Actualmente en el contexto internacional vemos que pases como Estados
Unidos quienes generan abundante basura al ao en comparacin con otros
pases son quienes menos reciclan.
Familias que consumen mayormente alimentos enlatados o productos
envasados en material que podra ser reciclable acumulan una mayor
proporcin de residuos salidos reciclables. Estas familias tienen mayor
probabilidad de reciclar.
Por tica profesional sabemos que cada persona con formacin acadmica, es
decir una persona con estudios superiores, tiene la obligacin de contribuir
para el bienestar de su comunidad, ser un ejemplo a seguir para el resto,
estimular las buenas prcticas e inculcar los valores en la poblacin. Entonces
cada familia que cuente con al menos un integrante que haya realizado
estudios superiores probablemente si recicle.
Pases ms ricos como Estados Unidos, Rusia, Japn generan ms basura y
reciclan menos, entonces podemos decir que a mayores ingresos menor
probabilidad de reciclar. Esta caracterstica mundial reflejara el
comportamiento de las personas. En Cajamarca existe desigualdad de ingresos
entonces podramos decir que personas con mayores ingresos tienen menor
probabilidad de reciclar.

3. MARCO TERICO CONCEPTUAL DE REFERENCIA
3.1. Marco terico
3.1.1. Residuos solidos
Un residuo slido se define como cualquier objeto o material de desecho que
se produce tras la fabricacin, transformacin o utilizacin de bienes de
consumo y que se abandona despus de ser utilizado. Estos residuos slidos
son susceptibles o no de aprovechamiento o transformacin para darle otra
utilidad o uso directo. El origen de estos residuos se deben a las diferentes

ECONOMIA 4

actividades que se realizan da a da, pero la mayor parte de ellos es generada
en las ciudades, ms concretamente en los domicilios donde se producen los
llamados residuos slidos urbanos, que proceden de las actividades
domsticas en casas y edificios pblicos como los colegios, oficinas, etc.
Los Residuos Slidos domsticos son los que se originan en la
actividad domstica y comercial de ciudades y pueblos. En los pases
desarrollados en los que cada vez se usan ms envases, papel, y en los que la
cultura de "usar y tirar" se ha extendido a todo tipo de bienes de consumo, las
cantidades de basura que se generan han ido creciendo hasta llegar a cifras
muy altas.
Basura.- la basura es todo material de desecho que necesita ser eliminado. La
basura es un producto natural de la actividad humana y que ha existido por
muchos siglos. Desde los desechos orgnicos como la comida, hasta los
materiales nuevos como el plstico, un gran reto de las sociedades ha sido el
recolectar, transportar y disponer de estos desechos.
3.1.2. Reciclar
Es volver a utilizar materias o elementos que ya han sido usados, para que
vuelvan al ciclo del aprovechamiento; es decir, hacerlos elementos que
generen progreso y bienestar para toda la comunidad; de ah la necesidad de
empezar a clasificar los residuos para poderlos reciclar y utilizarlos a nuestro
favor.
I. Residuos reciclables: Son aquellos que no se descomponen fcilmente y
pueden volver a ser utilizados en procesos productivos como materia
prima. Entre estos residuos se encuentran algunos papeles y plsticos,
cartn libre de grasa, chatarra, vidrio, telas, partes y equipos obsoletos o
en desuso, entre otros. Para un correcto manejo de los residuos
reciclables es necesario que:
Los residuos reciclables deben estar perfectamente separados, desde la
fuente, de residuos biodegradables e infecciosos.

ECONOMIA 5

Residuos orgnicos son por lo general comidas, cscaras de frutas,
verduras y en general otros productos que se descomponen.
Residuos inorgnicos son residuos slidos, preferiblemente secos,
como el papel, vidrio, cartn, metal, plsticos y otros productos que
son considerados reciclables y pueden constituirse en una fuente de
materia prima y empleo para las industrias y microempresas. Cadena
de reciclado.
II. Principales beneficios de reciclar
Los productos fabricados con materiales reciclados usan menos agua,
generan menos contaminacin, y utilizan menos energa.
Conserva nuestros recursos y protege la vida silvestre.
Disminuye las emisiones de gases de invernadero que contribuyen al
cambio climatolgico global.
Conserva los recursos naturales como la madera, el agua y los minerales.
Ayuda a sostener el medioambiente para generaciones futuras.

3.1.3. Contexto mundial del reciclaje
La poblacin crece cada ao y el incremento de residuos de desecho tambin
aumenta. Desgraciadamente la cultura del reciclaje es poca. En Estados
Unidos, la cantidad de desechos a ser reciclados ha crecido de 29% a 55% en
los ltimos 15 aos, lo que genera 72 millones de toneladas anuales
destinadas a convertirse en material re-usable por el hombre. Segn Jess
Franco los ocho pases que ms basura generan a nivel mundial son:
Ocho pases que ms basura producen en el mundo:
- Estados Unidos: 236 Millones de Toneladas por Ao
- Federacin Rusa: 207.4 Millones de Toneladas por Ao
- Japn: 52.36 Millones de Toneladas por Ao
- Alemania: 48.84 Millones de Toneladas por Ao
- Reino Unido: 34.85 Millones de Toneladas por Ao
- Mxico: 32.17 Millones de Toneladas por Ao

ECONOMIA 6

- Francia: 32.17 Millones de Toneladas por Ao
- Espaa: 26.34 Millones de Toneladas por Ao

3.1.4. Pases que reciclan ms en el mundo:
Suiza: considerado como un pas ejemplar en el trato de residuos, con un
porcentaje del 51% de basuras urbanas tratadas. Los suizos reciclan un 96%
de todos los materiales que se pueden reciclar, lo que equivale al 50% de los
desechos totales. En 2006, luego de superar las metas impuestas por el
gobierno, se decidi anular el impuesto de reciclaje sobre botellas y frascos
de vidrio, ropa, textiles, botellas de plstico, bateras caseras, bombillos de
luz y papel. En ese pas tambin se reciclan aluminio, hojalata, equipos
elctricos y electrnicos.
Algunos de estos materiales reciclables deben ser llevados a puntos de
recoleccin que han sido instalados en almacenes y supermercados. Cada
supermercado en Suiza tiene una mquina que recibe botellas, con
diferentes compartimientos para los distintos colores del vidrio. En las cajas
registradoras se reciben las bateras.
Cada pueblo tiene camiones que recogen los materiales reciclables verdes,
que son los desechos orgnicos como pasto, races, plantas, etc. Hay otros
camiones que recogen papel una vez al mes y ambos lo hacen de forma
gratuita. Los suizos reciclan peridicos, revistas y todo lo que est hecho de
papel o cartulina, como cajas de cereales y recibos de servicios pblicos.
En Europa, segn un informe de la Agencia Europea de Medio Ambiente
(AEMA), Austria, Alemania y Blgica son los pases que reciclan mayor
proporcin de residuos urbanos en toda Europa. En total Europa reciclo el
35% de los residuos urbanos en 2010, una mejora significativa respecto al
23% registrado en 2001.
Austria, Alemania y Blgica: Las tasas de reciclado ms elevadas son de
Austria, con una tasa del 63%, seguida de Alemania (62%), Blgica (58%) y los
Pases Bajos (51%), que son los nicos miembros que ya superan el objetivo

ECONOMIA 7

de reciclaje de residuos en un porcentaje del 50%. Espaa, por su parte, se
sita prxima al 35%.
De acuerdo con el informe, el Reino Unido aument el porcentaje de
reciclado de residuos urbanos de un 12% a un 39% entre 2001 y 2010,
mientras que Irlanda increment las tasas de reciclado de un 11% a un 36%
durante el mismo perodo. Eslovenia, Polonia y Hungra tambin han
mejorado notablemente las tasas de reciclado desde su adhesin a la UE.
3.1.5. Generacin de basura En Amrica Latina
Los principales datos que se tienen de la basura en Amrica Latina vienen
principalmente de Mxico, donde la mayora de la basura que se tira minuto a
minuto va a dar a lo que comnmente se le llama relleno sanitario. Otro pas
que tambin causa un dao ecolgico bastante fuerte es Chile; una empresa
importante seal que el 83 por ciento de los residuos que causa este pas es
lanzado al medio ambiente.
3.1.6. Produccin de basura en el Per
Segn un informe de Ciudadanos al Da, el 21% de los desechos es llevado a
rellenos sanitarios, un 12% se quema y un 3% es botado al mar, ro o laguna.
Solo el 2% de la basura recolectada a nivel nacional es reciclado y el 61 %
destinado a un botadero a cielo abierto, segn una investigacin de la ONG
Ciudadanos al Da (CAD), en base a la informacin del Instituto Nacional de
Estadstica e Informtica (INEI).
El 83 % de los municipios (mil 516) realiza la recoleccin de basura, en tanto
que un 17 % de los municipios (316) an no lo hace. La mayora de los
municipios que no cumple con la recoleccin se encuentra en el
departamento de Junn (41 municipalidades).
En relacin al porcentaje de basura generada, 56 % de los municipios (838)
recoge menos de una tonelada de residuos slidos diarios y 34
municipalidades recogen ms de 100 toneladas.
Se estima que Lima genera anualmente genera 2'086,091 toneladas de
basura, el 60% de estos residuos no llega a un relleno sanitario formal. En el

ECONOMIA 8

Per se producen unas 20,065 toneladas de desechos a diario y de este total
se puede recuperar hasta un 25%.
Lo concreto es que la situacin ambiental en el Per es ms que grave. El
ministro del ambiente Antonio Brack revel que el 83% de los desperdicios
que se generan en el Per es lanzado al medio ambiente.
3.1.7. Basura en Cajamarca
Cajamarca es una ciudad gran consumidora de energa y de diversos recursos
naturales. Genera ms de 120 toneladas de residuos, las cuales, aumentan
ao tras ao. El nivel de desarrollo y el estilo de vida que tenga cada
comunidad, barrio, Avenida o calles determinarn la cantidad y el tipo de
residuos producidos y su disposicin final.
Esta cantidad de residuos producida por todos nosotros debe ser tratada de
una manera, fomentar el reciclaje, de manera que no contamine el aire, el
agua y el medio que nos rodea.
Uno de los factores que daa la salud de los habitantes es la gran cantidad de
basura que se va acumulando en esquinas o terrenos no aptos. Los basurales
a cielo abierto suelen ser uno de los focos infecciosos de muchas de las
enfermedades que contraen a diario las miles de personas que habitan en sus
inmediaciones. Las estadsticas indican que el 45% de las enfermedades
provienen de causas ligadas al medio ambiente. En la mayora de los casos, los
afectados se contagian a travs del contacto con animales domsticos o
roedores infectados o a travs de la ingestin de alimentos en mal estado
(cerdos, reses).
Muchos de los materiales que integran la basura, podran haber sido
reutilizados, es decir reciclados. Entre los ms comunes podemos sealar los
vidrios, el papel, los metales, los residuos orgnicos, que pueden utilizarse
como sustancias frtiles del suelo, inform el gerente de Medio Ambiente,
Walter Chvez.
El funcionario mencion que para disminuir el foco infeccioso en la ciudad es
necesaria una clara conciencia en la poblacin de las ventajas para el

ECONOMIA 9

ambiente, que representa la reutilizacin de stos elementos. Para esto es
necesario implementar campaas de difusin en todos los mbitos.

3.2. ANLISIS DE REGRESIN
El anlisis de regresin permitir encontrar los determinantes de reciclar en la ciudad
de Cajamarca. Como se trata de un modelo probabilstico de eleccin binaria, se utiliza
los modelos MLP (tiene ciertos problemas), logit y probit. Estos dos ltimos los ms
adecuados.
Modelos de eleccin binaria: Existen cuatro enfoques para desarrollar los modelos de
respuesta binaria: modelo de probabilidad lineal, modelo de regresin logstica (logit),
modelo de regresin probabilstica (probit), modelo tobit. Solo trataremos los tres
primeros.
1) MODELO DE PROBABILIDAD LINEAL (MPL):
El MLP postula que la probabilidad terica de que ocurra el evento, es decir, PROB (Y
i
= 1), es una funcin lineal de X
i
.
Y = F(X|) + U

= X| + U
Y
i
=

|
1
+ |
2
X
i
+ U
i
i=1, 2, , N
En este modelo, la esperanza condicional (E[Y/X]) puede interpretarse como la
probabilidad condicional de que ocurra el evento, dado X
i
. Asumiendo (E[U
i
/X
i
])=0
(E[Y
i
/X
i
]) = |
1
+ |
2
X
i

Si P = probabilidad de que Y
i
=1 (xito: ocurra el evento)
1 P = probabilidad de que Y
i
=0 (no ocurra el evento)
Total 1
Es decir, Y
i
sigue una distribucin de probabilidad de Bernoulli
POR PROPIEDAD DEL VALOR ESPERADO: E(Y) = valores esperados * probabilidad de ocurrencia
E(Y
i
) = 1 (P
i
) + 0 (1-P
i
) = P
i
= E(Y
i
/ X
i
)
La esperanza matemtica de una bernoulli es la probabilidad de ocurrencia del evento (P)


ECONOMIA 10

De manera similar, como U
i
= Y

- |
1
- |
2
X
i,
dada la naturaleza binaria de Y
i
, la
perturbacin aleatoria u
i
solo puede tomar dos valores:

Para E ( U
i
) = 0, se tiene
E ( U
i
) = P
i
(1 - |
1
- |
2
X
i,
) + (1 P
i
) (-|
1
- |
2
X
i,
) = 0
con P = |
1
+ |
2
X
i,

CMO SE INTERPRETAN LOS COEFICIENTES?
Siendo que Yi adopta solo dos valores, no tiene sentido interpretar |
2
como cambios
en Y
i
ante cambios marginales de X
j
.
|
j
mide el cambio en la probabilidad de xito ante cambios en X
j

|
2
= APr (Y
i
=1 / X
i
) / A X
i
Esta interpretacin es extensible a otros parmetros en el caso de modelos con ms de
una variable explicativa.
LIMITACIONES DE LOS MPL
a) NO NORMALIDAD DE RESIDUOS:
- Si bien MCO no requiere de normalidad en los residuos, este supuesto es
requerido para efectos de inferencia estadstica.
E(Y
i
/X
i
) = P
i
= PROB (Y
i
=1 / X
i
) = |
1
+|
2
X
i,

La probabilidad condicional de Y
,
es una funcin lineal de x
Dado que siempre 0 s P
i
s 1
Entonces
0 s E(Y
i
/ X
i
) s 1
- |
1
- |
2
X
i,
SI Y
i
= 0
1 - |
1
- |
2
X
i,
SI Y
i
= 1
E(Y/X): probabilidad condicional
de que el evento ocurra dadas
las variables explicativas X

La esperanza condicional
equivale a la probabilidad
condicional de Y
i.

E(Y/X) = P = PROB(Y=1 / X)

ECONOMIA 11

- Al igual que Y
i,
los residuos en el MPL no son normales ya que siguen una
distribucin de bernoulli, tal como se indic anteriormente

La no normalidad no invalida la estimacin obtenida a travs de MCO. Este
problema tiende a desaparecer en muestras grandes (teorema central del
lmite).
b) RESIDUOS HETEROCEDASTICOS:
- en la distribucin de bernoulli, la media y la varianza vienen dados por Pi Y Pi(1-
Pi), respectivamente, por lo que la varianza es una funcin de la media.
VAR(U
i
)=P
i
(1-P
i
) VAR(U
i
) = f(P
i
)

Esta varianza es heterocedastica ya que
Pi = E(Yi / Xi) = |
1
+ |
2
X
i
VAR(Ui) = f(Xi)
- Estimadores MCO no eficientes (varianza no mnima), por lo que se recurre a
los MCG:
c) R2 NO APTO PARA MEDIR BONDAD DE AJUSTE
- recuerde que 0 s R
2
s 1
- dado que los valores de y son cero o uno, es difcil lograr un buen ajuste con
MLP, por lo que no se espera un R
2
alto (usualmente entre 0.2 y 0.6) a menos
que los valores estn muy concentrados.
- valores estn muy concentrados.

1 -------------

-------------------
0

SI Yi=0 - |
1
- |
2
X
i,
(1- P
i
)
SI Yi=1 1 - |
1
- |
2
X
i,
P
i


ECONOMIA 12

c) NO CUMPLIMIENTO DE 0 s E(Y
i
/ X
i
) s 1
- principal problema de los MPL
- los valores estimados del MLP (
i
) pueden caer fuera del intervalo [0, 1] pues
los MCO no toman en cuenta la restriccin de que probabilidad debe estar
limitada a este intervalo. esto no tiene sentido siendo que estos modelos
miden la probabilidad condicional de que ocurra el evento, por lo que E(Y
i
/X
i
)
deben caer en dicho intervalo.
- SOLUCION:
1) estimar el MLP a travs de MCO, asumiendo cero si
i
< 0, y como uno si
i
>1.
2) utilizar modelos que aseguren que las probabilidades condicionales estimadas (
i
) se
encuentran entre 0 y 1 (regresin probabilista y logstica).
d) EFECTO PARCIAL DE VARIABLES EXPLICATIVAS ES CONSTANTE:
- el MLP asume que el efecto marginal de X
i
es constante en el tiempo es igual
para todo nivel de X
i
, ejemplo:
o la probabilidad de trabajar, tener casa o de pagar para recuperar un recurso
natural aumentan siempre en la misma cantidad independientemente del
nivel de ingreso
o en la realidad, cambios en niveles bajos de Xi no pueden compararse con
los efectos de variaciones marginales en niveles ms altos deXi.
- No tiene sentido una relacin lineal constante entre la probabilidad de xito y
las variables independientes
SOLUCIN: se requiere un modelo probabilstico que satisfaga lo siguiente:
o cambios en x
i
afecten P
i
= E(Y
i
/ X
i
) sin salirse del rango [0,1]
o RELACIN NO LINEAL: para valores inferiores de X
i
, el impacto sobre p
i
ser menor
y viceversa.
Es decir, algo que se comporte como la grfica inferior. Esta forma de S se
asemeja a una funcin de distribucin acumulada (Prob (X s X
o
)) de una
variable aleatoria (FDA). Las FDAS comnmente seleccionadas son la logstica
(modelos logit) y la normal (modelos probit).

Lnea de regresin lineal

ECONOMIA 13

P
1
FDA lnea
de
Regresin
ms
Razonable

- 0

2) MODELO LOGIT:
En MPL P
i
=E(Y
i
=1/X
i
) = |
1
+ |
2
X
i

En el modelo logit P
i
= E(Y
i
=1 / X
i
) = A (X|)
Donde A(X|) es la funcin logstica
) (
2 1
1
1
Xi
e
| | +
+
con e=2.71828
P
i
= E(Y
i
=1 / X
i
) =
) (
2 1
1
1
Xi
e
| | +
+
=
Zi
e
+ 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
) =

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

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
|) =

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.

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).


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)
= frecuencia esperada del factor estudiar
= (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)

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

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

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

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:

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.

ECONOMIA 24

6.1. MODELO PROBIT (tambin llamado modelo Normit)
Al realizar la estimacin de los parmetros por medio de este modelo se
obtuvo.


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.


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.


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:


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).

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


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

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.
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.
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
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
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.

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


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.
96 1 1 7 1 700 0.8927527 0.89515715
35 1 1 5 1 3000 0.57959324 0.59017256
Forecast (Eviews)


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:
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.
57 1 1 21 1 800 0.72032742 0.71024623
47 1 1 4 1 1000 0.89066391 0.89399241
Forecast (Eviews)


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

Modelo logit y probit para determinar factores que influyen en el reciclaje en Cajamarca

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelo logit y probit para determinar factores que influyen en el reciclaje en Cajamarca

Uploaded by

Copyright:

Available Formats

Modelo economtrico de respuesta

cualitativa: logit y probit

= frecuencia esperada del factor estudiar

You might also like