ALUMNO: MASGO DIAZ JOHN ALEXANDER PROFESOR: PALOMARES

CURSO: MICRECONOMETRIA TEMA: MODELO LOGIT

1) MODELO LOGIT CON 28 PRIMERAS OBERVARCIONES:

Importamos la data obtenida en la encuesta de hogares a través del comando:

 import excel "C:\Users\John\Downloads\PCP.xls", sheet("Hoja1") firstrow.

Utilizamos el siguiente comando para filtrar solo las primeras 28 observaciones de la

muestra obtenida:
 drop if OBS>28
(121 observations deleted)

Luego de eliminar las 121 observaciones siguiente, aplicamos el comando para la prueba
Logit
 logit PCP ING G ED NE AE NMH

Al hacer correr el modelo logit nos da los siguientes resultados:

Iteration 0: log likelihood = -18.760251

Iteration 1: log likelihood = -17.310232
Iteration 2: log likelihood = -17.293611
Iteration 3: log likelihood = -17.293603
Iteration 4: log likelihood = -17.293603
Logistic regression Number of obs = 28
LR chi2(6) = 2.93
Prob > chi2 = 0.8172
Log likelihood = -17.293603 Pseudo R2 = 0.0782

--------------------------------------------------------------------------------------------------------------
PCP | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+-------------------------------------------------------------------------------------------------
ING | .000259 .0003212 0.81 0.420 -.0003706 .0008886
G | -.4983509 .9421882 -0.53 0.597 -2.345006 1.348304
ED | .0224514 .074649 0.30 0.764 -.1238579 .1687607
NE | -.3108361 .3711822 -0.84 0.402 -1.03834 .4166677
AE | -.0422678 .0665492 -0.64 0.525 -.1727018 .0881663
NMH | .3873136 .5469381 0.71 0.479 -.6846654 1.459293
_cons | .0943814 2.988618 0.03 0.975 -5.763202 5.951965

 En total fueron necesarias 4 interacciones para para estimar el modelo.

 Las variables G, ED, AE no son significativos porque son mayores a 0.5 y no deben
considerarse en la ecuación.
 La prueba de chi2 indica que podemos rechazar todas las hipótesis que sean iguales a
cero
 El pseudo R2 explica que el 7.82% de la variación de la variables PCP puede ser explicadas
por las variables independientes del modelo.

 Clear (Limpiamos los datos para trabajar el segundo ejercicio)

ALUMNO: MASGO DIAZ JOHN ALEXANDER PROFESOR: PALOMARES
CURSO: MICRECONOMETRIA TEMA: MODELO LOGIT
2) MODELO LOGIT CONSIDERANDO JEFE DE HOGAR SOLO MUJERES:

Importamos la data obtenida en la encuesta de hogares a través del comando:

 import excel "C:\Users\John\Downloads\PCP.xls", sheet("Hoja1") firstrow

Utilizamos el siguiente comando para filtrar y dejar solo mujeres en los datos:
 drop if G==0
(79 observations deleted) Se eliminan las 79 observaciones, esto indica que hay 79
hombres en la muestra.

Luego de eliminar las 79 observaciones siguiente, aplicamos el comando para la prueba

logit
 logit PCP ING G ED NE AE NMH

note: G omitted because of collinearity

Iteration 0: log likelihood = -44.429483
Iteration 1: log likelihood = -39.798712
Iteration 2: log likelihood = -39.691884
Iteration 3: log likelihood = -39.69131
Iteration 4: log likelihood = -39.69131

Logistic regression Number of obs = 65

LR chi2(5) = 9.48
Prob > chi2 = 0.0915
Log likelihood = -39.69131 Pseudo R2 = 0.1066

----------------------------------------------------------------------------------------------------------
PCP | Coef. S td. Err. z P>|z| [95% Conf. Interval]
-------------+--------------------------------------------------------------------------------------------
ING | .0002341 .0002447 0.96 0.339 -.0002455 .0007137
G | 0 (omitted)
ED | .0738397 .0416874 1.77 0.077 -.0078661 .1555456
NE | -.0270886 .1625996 -0.17 0.868 -.3457779 .2916007
AE | -.0267504 .0428732 -0.62 0.533 -.1107803 .0572796
NMH | -.0023253 .2050949 -0.01 0.991 -.4043039 .3996534
_cons | -2.70279 1.636846 -1.65 0.099 -5.91095 .5053693
--------------------------------------------------------------------------------------------------------
 En total fueron necesarias 4 interacciones para para estimar el modelo.
 Las variables NE y NMH no son significativos porque son mayores a 0.5 y no deben
considerarse en la ecuación.
 La variable G tiene coeficiente cero y se omite en la ecuación.
 La prueba de chi2 indica que podemos rechazar todas las hipótesis que sean iguales a
cero
 El pseudo R2 explica que el 10.07% de la variación de la variables PCP puede ser
explicadas por las variables independientes del modelo.

 Clear (Limpiamos los datos para trabajar el segundo ejercicio)

ALUMNO: MASGO DIAZ JOHN ALEXANDER PROFESOR: PALOMARES
CURSO: MICRECONOMETRIA TEMA: MODELO LOGIT
3) MODELO LOGIT CONSIDERANDO JEFE DE HOGAR A PERSONAS QUE GANEN MAS DE 5000
SOLES

Importamos la data obtenida en la encuesta de hogares a través del comando

 import excel "C:\Users\John\Downloads\PCP.xls", sheet("Hoja1") firstrow

Utilizamos el siguiente comando para filtrar solo a personas que tengan de 5000 o mayor
nivel de ingreso (Utilizar solo a personas que tengan un ingreso mayor a 5000 soles no nos
deja suficientes observaciones para correr el modelo)
 drop if ING<5000
(125 observations deleted)

Luego de eliminar las 125 observaciones siguiente, aplicamos el comando para la prueba
logit
 logit PCP ING G ED NE AE NMH

note: G != 0 predicts success perfectly

G dropped and 6 obs not used

Iteration 0: log likelihood = -8.9724138

Iteration 1: log likelihood = -1.7827251
Iteration 2: log likelihood = -.50806457
Iteration 3: log likelihood = 0
Iteration 4: log likelihood = 0

Logistic regression Number of obs = 13

LR chi2(-1) = 17.94
Prob > chi2 = .
Log likelihood = 0 Pseudo R2 = 1.0000

-----------------------------------------------------------------------------------------------------
PCP | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+--------------------------------------------------------------------------------------
ING | .0032145 . . . . .
G | 0 (omitted)
ED | -1.418013 . . . . .
NE | 15.65652 . . . . .
AE | -.0344237 . . . . .
NMH | 46.69686 . . . . .
_cons | -227.5261 . . . . .
-----------------------------------------------------------------------------------------------------