Interpretación de odds ratios en Logit

Odds Ratios en el Modelo Logit

El modelo Logit es uno de los modelos más utilizados para analizar decisiones binarias en economía. A diferencia del modelo lineal de probabilidad, el Logit garantiza que las probabilidades predichas siempre se encuentren en el intervalo [0,1] y captura la relación no lineal entre las variables explicativas y la probabilidad de éxito.

La especificación del modelo Logit parte del enfoque de variable latente. Supongamos que la utilidad neta de elegir la opción y = 1 está dada por:

$$y_i^* = \mathbf{x}_i'\boldsymbol{\beta} + u_i, \quad u_i \sim \text{Logística}(0,1)$$

donde $y_i^*$ es la utilidad latente no observable, $\mathbf{x}_i$ es el vector de variables explicativas, $\boldsymbol{\beta}$ es el vector de parámetros a estimar, y $u_i$ sigue una distribución logística estándar.

La decisión observada es $y_i = 1$ si $y_i^* > 0$ y $y_i = 0$ en caso contrario. La probabilidad de observar $y_i = 1$ es entonces:

$$P(y_i = 1 | \mathbf{x}_i) = \Lambda(\mathbf{x}_i'\boldsymbol{\beta}) = \frac{e^{\mathbf{x}_i'\boldsymbol{\beta}}}{1 + e^{\mathbf{x}_i'\boldsymbol{\beta}}}$$

donde $\Lambda(\cdot)$ es la función de distribución acumulada logística.

Los Odds y el Odds Ratio

Una característica fundamental del modelo Logit es su interpretación en términos de odds. Los odds de un evento se definen como el cociente entre la probabilidad de que ocurra y la probabilidad de que no ocurra:

$$\text{Odds}(y_i=1) = \frac{P(y_i=1)}{P(y_i=0)} = \frac{P(y_i=1)}{1-P(y_i=1)} = e^{\mathbf{x}_i'\boldsymbol{\beta}}$$

Tomando logaritmos en ambos lados, obtenemos la relación fundamental del modelo Logit:

$$\ln\left(\frac{P(y_i=1)}{P(y_i=0)}\right) = \mathbf{x}_i'\boldsymbol{\beta}$$

Esta expresión, conocida como log-odds o logit, muestra que el modelo es lineal en los logaritmos de los odds. El odds ratio (OR) para la variable $x_j$ se define como:

$$OR_j = e^{\beta_j}$$

El odds ratio mide el factor multiplicativo por el que cambian los odds cuando $x_j$ aumenta en una unidad, manteniendo constantes las demás variables.

Supuestos del Modelo Logit

Independencia: Las observaciones son independientes entre sí.
Linealidad en log-odds: La relación entre las variables explicativas y el log-odds es lineal.
Ausencia de multicolinealidad perfecta: No existe dependencia lineal exacta entre regresores.
Muestra suficientemente grande: Para que las propiedades asintóticas del estimador MV se cumplan.
Especificación correcta: El modelo incluye todas las variables relevantes y excluye las irrelevantes.

Estos supuestos son cruciales para la validez de las inferencias estadísticas y la interpretación económica de los resultados.

Odds Ratios en el Modelo Logit

Los Odds y el Odds Ratio

Supuestos del Modelo Logit

Parámetros de la simulación

Coeficientes del modelo Logit

Odds Ratios

Interpretación econométrica