Estimación Máximo Verosímil en Excel

[@elgabotb1]

Hola Henry Bonilla López. Me alegra mucho tu comentario. La estimación MV en cualquier paquete estadístico (incluyendo Eviews) es automática. Por ejemplo, para los ejercicos de Panel Data y modelos Logit y Probit. Saludos

[@henrybonillalopez2502]

Teacher excelente video, nunca entendí la maxima verisomilitud en mis clases de econometria hasta que vi el video....Quisiera que explicara este metodo en algun programa como Eviwes o el Gretl...Gracias por los videos.

[@cesarl.c.847]

Teacher excelente video. Que proceso matematico utiliza solver para maximizar? Como excel lo hace de forma automática no se comprende que hace. Gracias.

[@elteacherdeeconometria510]

Hola Cesar, en primer lugar, gracias por tu comentario. Solver tiene diferentes algoritmos para la optimización, yo en el ejercicio utilizo el que aparece por defecto que se llama Gradiente Reducido Generalizado (o GRG por sus siglas en inlés). Es una algoritmo que permite solucionar problemas de optimización para restricciones con desigualdades no lineales. En este caso, la función de verosimilitud debe acotarse lo máximo a los datos, y puede aproximar soluciones no lineales si se utiliza esta solución. Saludos,

[@cesarl.c.847]

De casualidad tienes algún ejercicio corto con unos 5 datos y 2 variables dicotómicas resuelto con Regresión Logística, pero hecho manualmente y paso a paso, es decir, sin herramientas informáticas, tal vez de algún libro. Necesito entender claramente como aplicar el concepto GRG en la Regresión Logística. Porque entiendo que esos coeficientes Beta son de suma importancia (son cruciales), y las demás fórmulas resultan fácil de resolver. Muchas gracias por tu atención.

[@etm2967]

Super video deberias compartir datos para practica

[@elteacherdeeconometria510]

Hola Edsson, muchas gracias por tu comentario. En la descripción del video dejaré el enlace de descarga de la base de datos para que puedas replicar el ejercicio. Saludos,

[@joeljosetorresgonzales2830]

DEMASIADO UTIL FELICIDADES BRO MUCHAS GRACIAS

[@elgabotb1]

Muchas gracias Joel por tu comentario, me alegra saber que te fue útil. Saludos.

[@yodotcl]

Excelente video, así queda claro como trabajan los software estadísticos. Aun así me queda una duda, en el modelo logit, incluso después de la segunda iteración, los resultados parecen ser no muy adecuados para la fila 17 y 22 ya que arrojan probabilidades cercanas al 30% y estas debiesen ser cercanas (o superiores al 50%) , caso contrario pasa en la fila 11 donde llega al 46% (obviamente no se ve el resto de las filas, ni el pseudo R2), de ser así, ¿Seria necesario seguir iterando?

[@elteacherdeeconometria510]

Hola yodotcl, muchas gracias por tu comentario. Bueno, recuerda que los valores de las probabilidades de la columna "k" en el ejercicio son solo para los individuos. De manera que dichas probabilidades cambian dependiento de las características que ingreses. Debes tener cuidado al comparar con los resultados de R, porque el software tienede a aproximar a 3 o 4 decimales (dependiendo del resultado), de manera que, si quieres tener el valor exacto de la probabilidad en R, debes calcular el valor de parámetro con todos sus decimales y de esta manera calcular la probabilidad individual. Saludos!

[@fernandozaratelazo4051]

Muchas gracias por el vídeo profesor, muy bueno.

[@lunafeliz1669]

Bravo! muchas gracias. Suscrito y likeado. Mas sobre series temporales ... ?

[@elteacherdeeconometria510]

Existen unos vídeos en el canal sobre modelos ARIMA y metodología Box-Jenkins, aunque con poca calidad. Lo podré tener en cuenta para futuros vídeos. Muchas gracias por tu comentario Nancy.

[@angeloviera9837]

Muchas gracias, muy claro todo.

[@andresgomezbotia4914]

Excelente. Hay trabajo empírica aplicado para replicar?

[@elteacherdeeconometria510]

Hola Andrés Gómez, muchas gracias por tu comentario. Existen varios trabajos sobre el área, te puedo recomendar un trabajo de un colaborador mio, lo puedes leer en el siguiente link. goo.gl/SJmhHz Saludos,

[@edwinefrainalemanmamani1204]

Gracias papaa

[@brendaguadalupelopezgomez3239]

Buenos dias tengo una duda, no se como sale el de intercepto o porque se le pone 1

[@elteacherdeeconometria510]

Hola Brenda, muchas gracias por tu comentario. Bueno el intercepto es igual a uno porque en la matriz de datos X del modelo de regresión es el único valor que al multiplicarlo por alfa (el intercepto teórico), nos arroja como resultado el mismo valor alfa, de tal manera que, al ajustar el modelo, obtendremos el valor estimado del mismo multiplicado por 1 precisamente, lo cual no altera el resultado de este estimador. Recuerda que los valores iniciales pueden ser en teoría cualquiera, pero la recomendación es poner los valores ajustados del modelo MLP, los cuales son estimadores consistentes para dichos parámetros. Saludos!

[@jadoretonsourire]

bro como seria la interpretacion xfavor help me! en los 3 modelos..

[@elteacherdeeconometria510]

Hola Joan, Muchas gracias por tu comentario. Bueno, la interpretación de los parámetros en los modelos LOGIT y PROBIT no puede hacerse de manera directa. Para ello te recomiendo que veas mi video "Modelos Probabilísticos en R y en Excel", te dejo el link: kzbin.info/www/bejne/pmiQi6erpJirhq8

[@jadoretonsourire]

@@elteacherdeeconometria510 Muchisimas gracias.

[@elguaponeo4453]

puede hacer un vídeo de esto; Triada, verosimilitud wald y multiplicador de lagrange

[@goketesh]

Muy bueno!

[@patomatias1]

Excelente video gracias por tu aporte. Estoy queriendo resolver una cuestion, tal vez me puedas ayudar. Tengo una cantidad de sujetos n en el que tiene hacer una simulucion mental si un objeto que se presenta en una distancia x, el mismo puede ser alcanzado si extiende su brazo. ( la variable dependiente seria alcanzo el objeto o no lo alcanzo) La pregunta es como podria plantear la estimacion de maxima verosimiltud en un modelo Logit? Gracias de nuevo!

[@elteacherdeeconometria510]

HOla matias bertonatti, bueno, según lo planteas, tendrías que tener una base de datos compuesta por dos tipos de individuos, quienes alcanzaron el objeto y quienes no alcanzaron el objeto, esa sería la variable dependiente (Y=1 si lo alcanzó y 0 en otro caso). Como variable explicativas puedes poner la distancia del objeto, porque estirar o no la mano es irrelevante, ya que si el individuo alcanzó el objeto, de entrada se supone debió estirarla, aunque sea poco. La estimación sería con máxima verosimilitud porque tendrías datos individuales y no agrupados. Saludos,

[@patomatias1]

Gracias!!! Saludos!

[@marcelasotoescobar6394]

Muy bueno, solo falto la interpretación

[@elteacherdeeconometria510]

Hola Marcela, gracias por tu comentario. La interpretación de los efectos marginales en un modelo LOGIT o PROBIT es similar a la que se realiza en un modelo MLP. Para ello te recomiendo consultar el capítulo 4 de mi Libro "Principios de Econometría" que puedes encontrar en el siguiente enlace: repositorio.itm.edu.co/handle/20.500.12622/1899 Saludos,

[@jodomof]

Veo que uitlizas esta expresion: L = YiLn(Pi) + (1-Yi)Ln(1-Pi), para estimar la verosimilitud de las observaciones invidivales y maximizar la sumatoria. Esta expresion es diferente para otras distribuciones de probabilidad? Por ejemplo, si quiero hacer este mismo ejemplo con una distribucion de poisson o binomial negativa.....

[@elteacherdeeconometria510]

Hola Juan, La expresión dada en el video corresponde a la fiunción de verosimilitud para una distribución binomial en el dominio de los número no negativos, puesto que el ejercicio está planteado para la estimación de parámetros en modelo de respuesta discreta. Si la variable no es discreta, debe maximizarse la función de densidad de probabilidad de la distribución de dicha variable, por lo que, desde luego, el resultado difiere un poco. Muchas gracias por tu comentario. Saludos,

[@ecomamababys5277]

por que si la base de datos es la misma para MLP, LOGIT y PROBIT, el valor de MLP en R que está en cada una es diferente? como llegaste a los valores de MLP en R correspondiente a LOGIT y PROBIT?

[@jorgediaz333]

Cordial saludo, porque el intercepto vale 1.

[@elteacherdeeconometria510]

Buena tarde Jorge, la razón es que, la matriz de datos debe contener un vector de unos al inicio, de tal manera que al multuplicarla por el vector de parámetros (en el cual el intercepto debe ser el primero de ellos), el resultado sea el valor estimado por MV del intercepto. Por tanto, no es que el intercepto valga uno, sino que en la matriz X de datos, se multiplica por 1, de tal manera que nos arroje el valor ajustado. Gracias por tu comentatio. Saludos,

[@jorgediaz333]

@@elteacherdeeconometria510 Muchas gracias por la aclaración.

[@pedrogreaves7894]

No vocaliza bien. Se pierde buena parte de lo que dice

[@elteacherdeeconometria510]

Hola Pedro Greaves, muchas gracias por tu comentario, lo tendré en cuenta para futuros videos. Saludos