16: Regresión Logit
- Page ID
- 150296
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
- 16.1: Modelos Lineales Generalizados
- Los Modelos Lineales Generalizados (GLM) proporcionan una estructura de modelado que puede relacionar un modelo lineal con variables de respuesta que no tienen distribuciones normales. Se supone que la distribución de YY pertenece a una de una familia exponencial de distribuciones, incluyendo las distribuciones Gaussiana, Binomial y Poisson. Los GLM se ajustan a los datos por el método de máxima verosimilitud.
- 16.2: Estimación Logit
- Logit se utiliza cuando se predicen variables dependientes limitadas. En virtud de la variable dependiente binaria, estos modelos no cumplen con los supuestos clave de OLS. Logit utiliza estimación de máxima verosimilitud (MLE), que es una contrapartida para minimizar mínimos cuadrados. MLE identifica la probabilidad de obtener la muestra en función de los parámetros del modelo. Responde a la pregunta, ¿cuáles son los valores para BB's que hacen más probable la muestra?