Econometría Básica: Regresión No Lineal

Técnica estadística para modelar la probabilidad de un evento binario (0 o 1) en función de variables explicativas.

Variable donde los valores posibles se restringen a un rango determinado, comúnmente valores binarios (0 o 1).

Función matemática que produce valores entre 0 y 1, crucial para modelizar probabilidades en regresión logística.

Relación entre la probabilidad de un suceso y la probabilidad de su contrario.

Técnica para estimar parámetros en modelos donde la variable dependiente es limitada, como en la regresión logística.

Modelo de regresión logística que usa la función logística para estimar probabilidades.

Modelo de regresión logística que usa la función de distribución normal estándar.

Función que describe la probabilidad acumulada de un conjunto de valores.

Depende de todas las variables (X) y sus coeficientes (β).

Se calcula dividiendo los coeficientes (β) de las dos variables.

Método para estimar modelos con variables dependientes limitadas.

Variabilidad de la variable dependiente no constante a través de los datos.

Función de los parámetros (β) y los datos (x, y) que se maximiza para obtener los estimadores.

El valor de los parámetros (β) que maximiza la función de log-verosimilitud a partir de los datos.

Métodos para evaluar restricciones en los modelos, como exclusiones de variables.

Método para probar restricciones en un modelo estadístico. Requiere la estimación del modelo no restringido.

Método para probar hipótesis en los modelos estadisticos basados en comparar las funciones de log-verosimilitud restringida y no restringida.

Omitir variables explicativas de un modelo. Puede afectar la precisión del modelo.

Gráfico que muestra la sensibilidad frente a (1-especificidad) de una prueba de diagnóstico.

Fracción de casos positivos que la prueba de diagnóstico clasifica correctamente.

Fracción de casos negativos que la prueba de diagnóstico clasifica correctamente.

Tabla que resume las predicciones de una prueba de diagnóstico, mostrando los verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos.

Un área mayor indica un mejor poder predictivo.

Modelos donde la variable dependiente puede tomar varios valores, representan alternativas no ordenadas y mutuamente excluyentes.

Relación entre las probabilidades asociadas a dos alternativas en un modelo multinomial.

Medición del efecto de una variable explicativa sobre las probabilidades de una alternativa en un modelo multinomial.

Logaritmo natural del odds ratio.

Los odds-ratios de dos alternativas no dependen del resto de alternativas en un modelo multinomial.

Una medida estadística (RV) que compara la bondad de ajuste de un modelo restringido con uno no restringido. Se calcula como 2 veces la diferencia entre los valores de la log-verosimilitud del modelo no restringido y restringido.

Una medida de la compatibilidad entre un modelo estadístico y los datos observados. Generalmente negativa.

Un modelo estadístico que impone restricciones a las variables incluidas o parámetros que busca en los datos.

Modelo estadístico sin restricciones en los parámetros que busca en los datos.

Una medida de bondad de ajuste para predicciones binarias que indica la proporción de observaciones correctamente clasificadas como 0 o 1.

Una predicción que puede tomar solo dos valores (0 o 1), como verdadero o falso, éxito o fracaso.

Una herramienta gráfica para evaluar la capacidad discriminativa de un test o clasificador, cuando se comparan resultados positivos contra negativos.

Una medida de cuán bien se ajusta un modelo estadístico a los datos.

El valor en el que una variable debe exceder en la predicción binaria para que se califique como 1.

Número de suposiciones o variables excluidas al evaluar un modelo estadístico.

Un supuesto del modelo logit multinomial que establece que agregar una nueva alternativa no afecta la razón de probabilidad entre dos alternativas existentes.

Una variable no observable que representa las preferencias individuales en modelos de elección ordenada, utilizada para explicar la variable observada (𝑦𝑖).

Puntos de corte en el modelo de elección ordenada que dividen la variable latente en categorías para la variable observada.

La influencia que tiene una variable explicativa en la probabilidad de elegir una alternativa específica, la cual puede variar según las observaciones.

Promedio de los efectos parciales de una variable explicativa en la probabilidad de elección para todas las observaciones.