En estadística , un modelo de probabilidad lineal es un caso especial de un modelo de regresión binaria . Aquí, la variable dependiente para cada observación toma valores que son 0 o 1. La probabilidad de observar un 0 o un 1 en cualquier caso se trata como si dependiera de una o más variables explicativas . Para el "modelo de probabilidad lineal", esta relación es particularmente simple y permite ajustar el modelo mediante regresión lineal .
El modelo asume que, para un resultado binario ( ensayo de Bernoulli ),, y su vector asociado de variables explicativas, , [1]
Para este modelo,
y por tanto, el vector de parámetros β puede estimarse utilizando mínimos cuadrados . Este método de ajuste sería ineficiente, [1] y se puede mejorar mediante la adopción de un esquema iterativo basado en mínimos cuadrados ponderados , [1] en el que el modelo de la iteración anterior se utiliza para proporcionar estimaciones de las varianzas condicionales,, que variaría entre observaciones. Este enfoque puede relacionarse con el ajuste del modelo por máxima probabilidad . [1]
Un inconveniente de este modelo es que, a menos que se impongan restricciones , los coeficientes estimados pueden implicar probabilidades fuera del intervalo unitario . Por este motivo, se utilizan con mayor frecuencia modelos como el modelo logit o el modelo probit .
Ver también
Referencias
Otras lecturas
- Aldrich, John H .; Nelson, Forrest D. (1984). "El modelo de probabilidad lineal" . Modelos de probabilidad lineal, logit y probit . Sabio. págs. 9-29. ISBN 0-8039-2133-0.
- Amemiya, Takeshi (1985). "Modelos de respuesta cualitativa" . Econometría avanzada . Oxford: Basil Blackwell. págs. 267–359. ISBN 0-631-13345-3.
- Wooldridge, Jeffrey M. (2013). "Una variable dependiente binaria: el modelo de probabilidad lineal". Econometría introductoria: un enfoque moderno (5ª ed. Internacional). Mason, OH: Sudoeste. págs. 238–243. ISBN 978-1-111-53439-4.