1) Modelo Logit.

Es un modelo que planea que si L, es decir el logit, es positivo, significa que cuando se
incrementa el valor de la(s) regresora(s), aumentan las posibilidades de que la regresada
sea igual a 1 (lo cual indica que suceder algo de inters). Si L es negativo, las
posibilidades de que la regresada iguale a 1 disminuyen.

Su frmula es:
Y = Ln (

Para estimar la ecuacin, adems de Xi, necesitamos los valores de la regresada, o del
logit, Li. Esto depende del tipo de datos que se analicen. stos se clasifican en dos
categoras: 1) datos de nivel individual, o micro, y 2) datos agrupados o duplicados.

2) Modelo Probit.

Estos modelos pertenecen a los modelos de respuesta binaria, es decir, la variable

dependiente es una variable dicotmica, donde toma 1 para indicar el xito en la
variable de anlisis y 0 en caso de no ser as.

En este caso, se asume una variable no observada (latente) que debe traspasar un umbral
para que la variable dependiente tome el valor de 1. La estimacin de estos modelos no
puede ser realizada por MCO (Mnimo Cuadrados Ordinarios) ya que la variable
dependiente es inobservable, por lo que se recurre al uso de MV (Mxima
Verosimilitud). Con esta especificacin, la variable dependiente dicotmica tiene la
probabilidad de dos opciones Pr (y = 1| x) o la Pr (y = 0| x).

En general, si se toma el antilogaritmo del coeficiente de la j-sima pendiente, se resta

uno de este valor y se multiplica el resultado por 100, se obtendr el cambio porcentual
en las posibilidades en favor por una unidad de incremento en la j-sima regresora.