sábado, 21 de enero de 2017

Ejemplo Predicción de tasas de bonos

En el ejemplo 16.2 se consideraron las estimaciones MLP llevadas a cabo por Joseph Cappelleri del modelo de clasifación de bonos para una muestra de 200 bonos Aa y Baa. Para la misma información, Cappelleri estimó el siguiente modelo logit utilizando el método de máxima verosimilitud, pero no ajustó sus resultados por heteroscedasticidad (las cifras en paréntesis correspondena los errores estándar):


viernes, 20 de enero de 2017

Modelo LOGIT: Ejemplos Ilustrativos "Una aplicación del análisis Logit a la predicción de blancos de fusión" (II)

A priori, se espera que ß2, ß4, y ß5 sean negativos, ß6 positivo y ß3 positivo o negativo. Con base en una muestra de 24 empresas fusionadas (Y=1) y 43 no fusionadas (Y=0), los autores obtuvieron los resultados que aparecen en la tabla 16.6. Como se esperaba, los coeficientes estimados tienen los signos esperados a priori y la mayoría son estádisticamente significativos al nivel del 10% o a un mejor nivel (es decir, menos del 10%). Los resultados, por ejemplo, indican que entre más alta sea la rotación y más grande sea el tamaño, menores son las probabilidades (log) de que la empresa sea un blanco de fusión. (Por qué?) Por otra parte, entre mayor sea el volumen de transacciones, mayores son las probabilidades de ser candidato a fusión, ya que las empresas de altos volúmenes pueden implicar costos de transacción de adquisición más bajos debido a su fácil negociabilidad. Basado en su análisis, los autores concluyen:

...un factor importante que afecta el atractivo de la empresa es la incapacidad que tiene la gerencia encargada de generar ventas por unidad de activos. Además, una baja rotación de activos debe ir acompañada por una combinación de un nivel bajo de dividendos, un nivel bajo de endeudamiento financiero, un alto volumen de transacciones y su pequeño tamaño dentro del valor agregado del mercado con el fin de producir una alta probabilidad de fusión.

jueves, 18 de agosto de 2016

Modelo LOGIT: Ejemplos Ilustrativos "Una aplicación del análisis Logit a la predicción de blancos de fusión"

Para predecir la probabilidad de que una empresa dada sea blanco de fusión, J. Kimball Dietrich y Eric Sorensen estimaron el siguiente modelo logit:



miércoles, 17 de agosto de 2016

Modelo LOGIT: Ejemplo Numérico (VI)

Para concluir nuestros análisis de los modelos logit, se presentan a continuación los resultados de la regresión basadas en MCO, o regresión no ponderada, para el ejemplo de propiedad de vivienda.



miércoles, 3 de agosto de 2016

Modelo LOGIT: Ejemplo Numérico (V)

Retornando a la regresión (16.9.1), se observa que los coeficientes estimados individualmente son estadísticamente significativos aun al nivel del 1%. Pero, como se advirtió anteriormente, esta afirmación es correcta, estrictamente, en muestras grandes, es decir, cuando el número de observaciones Ni para cada Xi es grande -no es preciso que el número de niveles al cual se mide Xi sea necesariamente grande; en el ejemplo, X tiene 10 valores diferentes.

Al examinar la tabla 16.5, se observa que las Ni, aunque no son muy grandes, son razonablemente grandes, pero téngase en mente que entre más grandes sean las Ni, mejores serán los procedimientos de prueba.

El R² estimado es bastante "alto", alrededor de 0.96. Pero se ha señalado que en modelos de variables dependiente dicótoma, el R² como medida de bondad del ajuste es de valor cuestionable. En la literatura se han sugerido diversas alternativas pero éstas no se considerarán aquí.

martes, 2 de agosto de 2016

Modelo LOGIT: Ejemplo Numérico (IV)

Como se mencionó, el coeficiente de pendiente de 0.0787 da el cambio en el algoritmo ponderado de la razón de probabilidades de poseer una casa por unidad de incremento en el ingreso ponderado. También se ha visto que [el antilog de 0.0787 menos uno] multiplicado por 100 da el cambio porcentual en las probabilidades ponderadas por un incremento unitario en el ingreso ponderado.. Es posible calcular el cambio en la probabilidad misma de poseer una casa por cambio unitario en el ingreso? Como se mencionó en la nota de pie de página 18, eso depende no solamente del β2 estimado, sino también del nivel de la probabilidad a partir del cual se calcula la probabilidad. Para ilustrar, supóngase que se desea medir el cambio en la probabilidad de poseer una casa empezando en el nivel de ingreso de US$20,000. Entonces, de la nota de pie de página 18, se obtiene el cambio en la probabilidad por un incremento unitario en el ingreso del nivel 20 (miles) es β2

lunes, 1 de agosto de 2016

Modelo LOGIT: Ejemplo Numérico (III)

Se puede calcular la probabilidad de poseer una casa, dado el ingreso, a partir de la razón de probabilidades estimada? Este cálculo puede hacerse fácilmente. Supóngase que se desea estimar la probabilidad de poseer una casa para el nivel de ingreso de US$20,000. Reemplazando X = 20 en (16.9.1) se obtiene.