----------------------------------------------------------------------------------------------------------------------- log: C:\Users\Javier\Documents\dia3cursoencup.txt log type: text opened on: 2 Aug 2009, 18:02:43 . . ** CURSO ENCUP / Javier Aparicio . ** DIA 3 (28 jul 2009) . ** . ** Creación y recodificación de variables (generate, recode, label var) . ** Prueba Chi cuadrada para tablas de contingencia . ** Modelos mlogit para variables dependientes categóricas no ordenadas . ** Probabilidades predichas (comados "extra" Spost: prtab, prvalue) . . // Nota: Todo lo que aparece a la derecha de "//" o "*" es un comentario . . . use "C:\Users\Javier\Documents\encupmodificada.dta", clear . . . ** Analizando una pregunta categórica no ordenada (o multinomial) . . tab p23 // 23. en su opinión, ¿nuestro país necesita mejores políticos, mejores leyes o ambas? 23. en su opinión, | ¿nuestro país en | estos momentos | necesita mejores | políticos o | Freq. Percent Cum. ----------------------+----------------------------------- mejores políticos | 1,579 36.03 36.03 mejores leyes | 1,681 38.35 74.38 los dos | 962 21.95 96.33 no sabe o no responde | 161 3.67 100.00 ----------------------+----------------------------------- Total | 4,383 100.00 . gen mejor= p23 // genero clon de pregunta 23 . . label values mejor p23 // etiqueto los valores del clon igual que p23 . . tab mejor mejor | Freq. Percent Cum. ----------------------+----------------------------------- mejores políticos | 1,579 36.03 36.03 mejores leyes | 1,681 38.35 74.38 los dos | 962 21.95 96.33 no sabe o no responde | 161 3.67 100.00 ----------------------+----------------------------------- Total | 4,383 100.00 . tab mejor, nolab miss mejor | Freq. Percent Cum. ------------+----------------------------------- 1 | 1,579 36.03 36.03 2 | 1,681 38.35 74.38 3 | 962 21.95 96.33 9 | 161 3.67 100.00 ------------+----------------------------------- Total | 4,383 100.00 . replace mejor = . if p23 == 9 // elimino NS/NC (161 real changes made, 161 to missing) . . tab mejor, nolab miss mejor | Freq. Percent Cum. ------------+----------------------------------- 1 | 1,579 36.03 36.03 2 | 1,681 38.35 74.38 3 | 962 21.95 96.33 . | 161 3.67 100.00 ------------+----------------------------------- Total | 4,383 100.00 . . * Creando indicadores binarios para comerciantes y profesionistas . tab ocu, ¿cuál es el nombre del oficio, puesto o | cargo que desempeñó en su trabajo | princi | Freq. Percent Cum. ----------------------------------------+----------------------------------- profesionistas y técnicos | 302 11.62 11.62 funcionarios de los sectores público y | 48 1.85 13.47 personal administrativo | 267 10.27 23.74 comerciantes, vendedores y similares | 447 17.20 40.94 trabajadores en servicios personales y | 813 31.28 72.22 trabajadores en labores agropecuarias | 350 13.47 85.69 trabajadores industriales | 366 14.08 99.77 no especificado | 6 0.23 100.00 ----------------------------------------+----------------------------------- Total | 2,599 100.00 . tab ocu, nolab ¿cuál es el | nombre del | oficio, | puesto o | cargo que | desempeñó | en su | trabajo | princi | Freq. Percent Cum. ------------+----------------------------------- 1 | 302 11.62 11.62 2 | 48 1.85 13.47 3 | 267 10.27 23.74 4 | 447 17.20 40.94 5 | 813 31.28 72.22 6 | 350 13.47 85.69 7 | 366 14.08 99.77 9 | 6 0.23 100.00 ------------+----------------------------------- Total | 2,599 100.00 . . gen comerciante = ocu == 4 // dummy para comerciantes . gen profesionista = ocu == 1 // dummy para profesionistas . . label var comerciante "=1 si ocu=4, 0 si no" . label var profesionista "=1 si ocu=1, 0 si no" . . tab comerciante =1 si | ocu=4, 0 si | no | Freq. Percent Cum. ------------+----------------------------------- 0 | 3,936 89.80 89.80 1 | 447 10.20 100.00 ------------+----------------------------------- Total | 4,383 100.00 . tab profes =1 si | ocu=1, 0 si | no | Freq. Percent Cum. ------------+----------------------------------- 0 | 4,081 93.11 93.11 1 | 302 6.89 100.00 ------------+----------------------------------- Total | 4,383 100.00 . . order mejor profes comercia // subo estas variables al inicio de la base . . save encupmodificada2, replace // (guardamos los cambios en la base) file encupmodificada2.dta saved . . . * Analizando preferencias por mejores politicos o mejores leyes . . hist mejor (bin=36, start=1, width=.05555556) . tab mejor mejor | Freq. Percent Cum. ----------------------+----------------------------------- mejores políticos | 1,579 37.40 37.40 mejores leyes | 1,681 39.82 77.21 los dos | 962 22.79 100.00 ----------------------+----------------------------------- Total | 4,222 100.00 . tab mejor, nolabel // tabulacion simple sin etiquetas (necesitamos 1 mejores politicos, 2 leyes, 3 ambos) mejor | Freq. Percent Cum. ------------+----------------------------------- 1 | 1,579 37.40 37.40 2 | 1,681 39.82 77.21 3 | 962 22.79 100.00 ------------+----------------------------------- Total | 4,222 100.00 . tab mujer mejor, chi row // ...por género +----------------+ | Key | |----------------| | frequency | | row percentage | +----------------+ 1=mujer, | mejor 0=hombre | mejores p mejores l los dos | Total -----------+---------------------------------+---------- 0 | 740 702 420 | 1,862 | 39.74 37.70 22.56 | 100.00 -----------+---------------------------------+---------- 1 | 839 979 542 | 2,360 | 35.55 41.48 22.97 | 100.00 -----------+---------------------------------+---------- Total | 1,579 1,681 962 | 4,222 | 37.40 39.82 22.79 | 100.00 Pearson chi2(2) = 8.7041 Pr = 0.013 . tab prepaomas mejor, chi row // ...por estudios de prepa o más +----------------+ | Key | |----------------| | frequency | | row percentage | +----------------+ 1=estudio | prepa o | mas, 0=sin | mejor prepa | mejores p mejores l los dos | Total -----------+---------------------------------+---------- 0 | 922 1,294 582 | 2,798 | 32.95 46.25 20.80 | 100.00 -----------+---------------------------------+---------- 1 | 657 385 378 | 1,420 | 46.27 27.11 26.62 | 100.00 -----------+---------------------------------+---------- Total | 1,579 1,679 960 | 4,218 | 37.43 39.81 22.76 | 100.00 Pearson chi2(2) = 145.2700 Pr = 0.000 . tab democ mejor, chi row // ...por si cree que somos democracia +----------------+ | Key | |----------------| | frequency | | row percentage | +----------------+ mexico es democ? 1=si | mejor 0=no | mejores p mejores l los dos | Total ----------------------+---------------------------------+---------- 0 | 553 447 390 | 1,390 | 39.78 32.16 28.06 | 100.00 ----------------------+---------------------------------+---------- si | 838 902 429 | 2,169 | 38.64 41.59 19.78 | 100.00 ----------------------+---------------------------------+---------- Total | 1,391 1,349 819 | 3,559 | 39.08 37.90 23.01 | 100.00 Pearson chi2(2) = 45.3812 Pr = 0.000 . tab satisf mejor if satisf < 9 , chi row // ...por satisfaccion con la democracia +----------------+ | Key | |----------------| | frequency | | row percentage | +----------------+ satisfecho c/dem? | 1=muy 2=algo ... | mejor 4=nada | mejores p mejores l los dos | Total ----------------------+---------------------------------+---------- muy satisfecho | 90 131 65 | 286 | 31.47 45.80 22.73 | 100.00 ----------------------+---------------------------------+---------- algo satisfecho | 485 415 296 | 1,196 | 40.55 34.70 24.75 | 100.00 ----------------------+---------------------------------+---------- poco satisfecho | 533 555 340 | 1,428 | 37.32 38.87 23.81 | 100.00 ----------------------+---------------------------------+---------- nada satisfecho | 311 302 178 | 791 | 39.32 38.18 22.50 | 100.00 ----------------------+---------------------------------+---------- Total | 1,419 1,403 879 | 3,701 | 38.34 37.91 23.75 | 100.00 Pearson chi2(6) = 15.0912 Pr = 0.020 . tab configle mejor , chi row // ...por confianza en la iglesia +----------------+ | Key | |----------------| | frequency | | row percentage | +----------------+ confianza | en iglesia | -4=nada | ... | mejor -1=mucha | mejores p mejores l los dos | Total -----------+---------------------------------+---------- -4 | 124 108 80 | 312 | 39.74 34.62 25.64 | 100.00 -----------+---------------------------------+---------- -3 | 277 232 205 | 714 | 38.80 32.49 28.71 | 100.00 -----------+---------------------------------+---------- -2 | 482 445 335 | 1,262 | 38.19 35.26 26.55 | 100.00 -----------+---------------------------------+---------- -1 | 684 870 325 | 1,879 | 36.40 46.30 17.30 | 100.00 -----------+---------------------------------+---------- Total | 1,567 1,655 945 | 4,167 | 37.60 39.72 22.68 | 100.00 Pearson chi2(6) = 84.7182 Pr = 0.000 . . * Podemos correr una regresión múltiple . . reg mejor eda loging mujer prepa Source | SS df MS Number of obs = 2250 -------------+------------------------------ F( 4, 2245) = 1.80 Model | 4.13064838 4 1.03266209 Prob > F = 0.1261 Residual | 1287.99424 2245 .573716811 R-squared = 0.0032 -------------+------------------------------ Adj R-squared = 0.0014 Total | 1292.12489 2249 .574533076 Root MSE = .75744 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- eda | .0014126 .0012301 1.15 0.251 -.0009997 .003825 loging | -.0071925 .0141176 -0.51 0.610 -.0348775 .0204925 mujer | -.0067954 .033381 -0.20 0.839 -.0722564 .0586655 prepaomas | -.0620922 .0370982 -1.67 0.094 -.1348426 .0106582 _cons | 1.826381 .1106863 16.50 0.000 1.609323 2.043439 ------------------------------------------------------------------------------ . . ** ...pero esto sería incorrecto pues la variable dependiente NO es continua NI ordenada. . ** es preferible estimar un . ** . ** Modelo LOGITSICO MULTINOMIAL (mlogit) . . mlogit mejor eda loging mujer prepa democ profe comerc Iteration 0: log likelihood = -2097.8844 Iteration 1: log likelihood = -2055.6058 Iteration 2: log likelihood = -2055.4008 Iteration 3: log likelihood = -2055.4008 Multinomial logistic regression Number of obs = 1982 LR chi2(14) = 84.97 Prob > chi2 = 0.0000 Log likelihood = -2055.4008 Pseudo R2 = 0.0203 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- mejores le~s | eda | .003785 .0040378 0.94 0.349 -.004129 .011699 loging | -.0794721 .0474242 -1.68 0.094 -.1724219 .0134777 mujer | .0434166 .1083554 0.40 0.689 -.1689561 .2557893 prepaomas | -.5249249 .1215825 -4.32 0.000 -.7632222 -.2866276 democ | .1872306 .1060433 1.77 0.077 -.0206104 .3950717 profesioni~a | -.3260516 .1790964 -1.82 0.069 -.677074 .0249708 comerciante | -.1614601 .1444234 -1.12 0.264 -.4445246 .1216045 _cons | .4378286 .3784404 1.16 0.247 -.303901 1.179558 -------------+---------------------------------------------------------------- los dos | eda | .0053154 .0048285 1.10 0.271 -.0041483 .0147792 loging | -.0224919 .0552374 -0.41 0.684 -.1307553 .0857714 mujer | -.1387181 .1286265 -1.08 0.281 -.3908213 .1133852 prepaomas | -.0862675 .1426819 -0.60 0.545 -.3659188 .1933838 democ | -.3941376 .1216888 -3.24 0.001 -.6326433 -.1556318 profesioni~a | .2006788 .1829351 1.10 0.273 -.1578673 .5592249 comerciante | .0304082 .170733 0.18 0.859 -.3042224 .3650388 _cons | -.4785036 .438755 -1.09 0.275 -1.338448 .3814404 ------------------------------------------------------------------------------ (mejor==mejores políticos is the base outcome) . mlogit mejor eda loging mujer prepa democ profe comerc Iteration 0: log likelihood = -2097.8844 Iteration 1: log likelihood = -2055.6058 Iteration 2: log likelihood = -2055.4008 Iteration 3: log likelihood = -2055.4008 Multinomial logistic regression Number of obs = 1982 LR chi2(14) = 84.97 Prob > chi2 = 0.0000 Log likelihood = -2055.4008 Pseudo R2 = 0.0203 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- mejores le~s | eda | .003785 .0040378 0.94 0.349 -.004129 .011699 loging | -.0794721 .0474242 -1.68 0.094 -.1724219 .0134777 mujer | .0434166 .1083554 0.40 0.689 -.1689561 .2557893 prepaomas | -.5249249 .1215825 -4.32 0.000 -.7632222 -.2866276 democ | .1872306 .1060433 1.77 0.077 -.0206104 .3950717 profesioni~a | -.3260516 .1790964 -1.82 0.069 -.677074 .0249708 comerciante | -.1614601 .1444234 -1.12 0.264 -.4445246 .1216045 _cons | .4378286 .3784404 1.16 0.247 -.303901 1.179558 -------------+---------------------------------------------------------------- los dos | eda | .0053154 .0048285 1.10 0.271 -.0041483 .0147792 loging | -.0224919 .0552374 -0.41 0.684 -.1307553 .0857714 mujer | -.1387181 .1286265 -1.08 0.281 -.3908213 .1133852 prepaomas | -.0862675 .1426819 -0.60 0.545 -.3659188 .1933838 democ | -.3941376 .1216888 -3.24 0.001 -.6326433 -.1556318 profesioni~a | .2006788 .1829351 1.10 0.273 -.1578673 .5592249 comerciante | .0304082 .170733 0.18 0.859 -.3042224 .3650388 _cons | -.4785036 .438755 -1.09 0.275 -1.338448 .3814404 ------------------------------------------------------------------------------ (mejor==mejores políticos is the base outcome) . mlogit mejor eda loging mujer prepa democ profe comerc if mejor < 3 // excluyendo la 3a categoria Iteration 0: log likelihood = -1086.1799 Iteration 1: log likelihood = -1058.7329 Iteration 2: log likelihood = -1058.7016 Iteration 3: log likelihood = -1058.7016 Multinomial logistic regression Number of obs = 1571 LR chi2(7) = 54.96 Prob > chi2 = 0.0000 Log likelihood = -1058.7016 Pseudo R2 = 0.0253 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- mejores le~s | eda | .0039506 .0040597 0.97 0.330 -.0040064 .0119075 loging | -.0826373 .0485815 -1.70 0.089 -.1778553 .0125807 mujer | .0428535 .1085012 0.39 0.693 -.1698049 .2555119 prepaomas | -.519719 .1220753 -4.26 0.000 -.7589822 -.2804558 democ | .1693033 .1066243 1.59 0.112 -.0396764 .378283 profesioni~a | -.3005823 .1813728 -1.66 0.097 -.6560664 .0549018 comerciante | -.1556852 .1446208 -1.08 0.282 -.4391369 .1277664 _cons | .4593792 .3858157 1.19 0.234 -.2968058 1.215564 ------------------------------------------------------------------------------ (mejor==mejores políticos is the base outcome) . . ** ... es equivalente a un LOGIT donde la 1a categoria es la variable dependiente: . generate mejpol = mejor ==1 . logit mejpol eda loging mujer prepa democ profe comerc if mejor < 3 Iteration 0: log likelihood = -1086.1799 Iteration 1: log likelihood = -1058.7329 Iteration 2: log likelihood = -1058.7016 Iteration 3: log likelihood = -1058.7016 Logistic regression Number of obs = 1571 LR chi2(7) = 54.96 Prob > chi2 = 0.0000 Log likelihood = -1058.7016 Pseudo R2 = 0.0253 ------------------------------------------------------------------------------ mejpol | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- eda | -.0039506 .0040597 -0.97 0.330 -.0119075 .0040064 loging | .0826373 .0485815 1.70 0.089 -.0125807 .1778553 mujer | -.0428535 .1085012 -0.39 0.693 -.2555119 .1698049 prepaomas | .519719 .1220753 4.26 0.000 .2804558 .7589822 democ | -.1693033 .1066243 -1.59 0.112 -.378283 .0396764 profesioni~a | .3005823 .1813728 1.66 0.097 -.0549018 .6560664 comerciante | .1556852 .1446208 1.08 0.282 -.1277664 .4391369 _cons | -.4593792 .3858157 -1.19 0.234 -1.215564 .2968058 ------------------------------------------------------------------------------ . . ** pero si incluyo los casos de la 3a categoria ya no es igual: . logit mejpol eda loging mujer prepa democ profe comerc Iteration 0: log likelihood = -1365.9641 Iteration 1: log likelihood = -1349.8518 Iteration 2: log likelihood = -1349.8432 Logistic regression Number of obs = 2015 LR chi2(7) = 32.24 Prob > chi2 = 0.0000 Log likelihood = -1349.8432 Pseudo R2 = 0.0118 ------------------------------------------------------------------------------ mejpol | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- eda | -.0044041 .0036406 -1.21 0.226 -.0115396 .0027315 loging | .0630742 .0419037 1.51 0.132 -.0190556 .145204 mujer | .0133412 .0962034 0.14 0.890 -.175214 .2018964 prepaomas | .3847523 .1075168 3.58 0.000 .1740232 .5954815 democ | .0385685 .0931707 0.41 0.679 -.1440428 .2211797 profesioni~a | .068154 .1473433 0.46 0.644 -.2206336 .3569416 comerciante | .0929362 .128588 0.72 0.470 -.1590918 .3449641 _cons | -.8454514 .3339071 -2.53 0.011 -1.499897 -.1910055 ------------------------------------------------------------------------------ . . ** Un modelo NO restringido (que no omite variables explicativas) . mlogit mejor eda loging mujer prepa democ profe comerc Iteration 0: log likelihood = -2097.8844 Iteration 1: log likelihood = -2055.6058 Iteration 2: log likelihood = -2055.4008 Iteration 3: log likelihood = -2055.4008 Multinomial logistic regression Number of obs = 1982 LR chi2(14) = 84.97 Prob > chi2 = 0.0000 Log likelihood = -2055.4008 Pseudo R2 = 0.0203 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- mejores le~s | eda | .003785 .0040378 0.94 0.349 -.004129 .011699 loging | -.0794721 .0474242 -1.68 0.094 -.1724219 .0134777 mujer | .0434166 .1083554 0.40 0.689 -.1689561 .2557893 prepaomas | -.5249249 .1215825 -4.32 0.000 -.7632222 -.2866276 democ | .1872306 .1060433 1.77 0.077 -.0206104 .3950717 profesioni~a | -.3260516 .1790964 -1.82 0.069 -.677074 .0249708 comerciante | -.1614601 .1444234 -1.12 0.264 -.4445246 .1216045 _cons | .4378286 .3784404 1.16 0.247 -.303901 1.179558 -------------+---------------------------------------------------------------- los dos | eda | .0053154 .0048285 1.10 0.271 -.0041483 .0147792 loging | -.0224919 .0552374 -0.41 0.684 -.1307553 .0857714 mujer | -.1387181 .1286265 -1.08 0.281 -.3908213 .1133852 prepaomas | -.0862675 .1426819 -0.60 0.545 -.3659188 .1933838 democ | -.3941376 .1216888 -3.24 0.001 -.6326433 -.1556318 profesioni~a | .2006788 .1829351 1.10 0.273 -.1578673 .5592249 comerciante | .0304082 .170733 0.18 0.859 -.3042224 .3650388 _cons | -.4785036 .438755 -1.09 0.275 -1.338448 .3814404 ------------------------------------------------------------------------------ (mejor==mejores políticos is the base outcome) . . ** Un modelo restringido (omite algunas variables, como loging y edad) . mlogit mejor mujer prepa democ profe Iteration 0: log likelihood = -3813.8251 Iteration 1: log likelihood = -3733.7019 Iteration 2: log likelihood = -3733.3444 Iteration 3: log likelihood = -3733.3443 Multinomial logistic regression Number of obs = 3555 LR chi2(8) = 160.96 Prob > chi2 = 0.0000 Log likelihood = -3733.3443 Pseudo R2 = 0.0211 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- mejores le~s | mujer | .1555703 .0782418 1.99 0.047 .0022192 .3089214 prepaomas | -.763705 .0856878 -8.91 0.000 -.9316499 -.5957601 democ | .2427224 .0810164 3.00 0.003 .0839332 .4015116 profesioni~a | -.2488892 .1614899 -1.54 0.123 -.5654035 .0676251 _cons | .0205504 .0839012 0.24 0.807 -.143893 .1849938 -------------+---------------------------------------------------------------- los dos | mujer | .0891746 .0888888 1.00 0.316 -.0850443 .2633935 prepaomas | -.1830189 .0940303 -1.95 0.052 -.3673149 .001277 democ | -.3293888 .0891916 -3.69 0.000 -.504201 -.1545766 profesioni~a | .1354911 .155372 0.87 0.383 -.1690324 .4400145 _cons | -.3273027 .0922521 -3.55 0.000 -.5081134 -.146492 ------------------------------------------------------------------------------ (mejor==mejores políticos is the base outcome) . . ** La salida del modelo me indica el signo y significancia de las variables . ** explicativas. Pero, al ser un modelo NO LINEAL, no podemos interpretar . ** directamente la MAGNITUD de los efectos estimados, ni los cambios . ** en las "probabilidades predichas" por el modelo. . . . ** Algunos comandos ayudan a interpretar los modelos como este: . . tab mejor // estas son las frecuencias observadas mejor | Freq. Percent Cum. ----------------------+----------------------------------- mejores políticos | 1,579 37.40 37.40 mejores leyes | 1,681 39.82 77.21 los dos | 962 22.79 100.00 ----------------------+----------------------------------- Total | 4,222 100.00 . . mlogit mejor mujer prepa democ profe, nolog Multinomial logistic regression Number of obs = 3555 LR chi2(8) = 160.96 Prob > chi2 = 0.0000 Log likelihood = -3733.3443 Pseudo R2 = 0.0211 ------------------------------------------------------------------------------ mejor | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- mejores le~s | mujer | .1555703 .0782418 1.99 0.047 .0022192 .3089214 prepaomas | -.763705 .0856878 -8.91 0.000 -.9316499 -.5957601 democ | .2427224 .0810164 3.00 0.003 .0839332 .4015116 profesioni~a | -.2488892 .1614899 -1.54 0.123 -.5654035 .0676251 _cons | .0205504 .0839012 0.24 0.807 -.143893 .1849938 -------------+---------------------------------------------------------------- los dos | mujer | .0891746 .0888888 1.00 0.316 -.0850443 .2633935 prepaomas | -.1830189 .0940303 -1.95 0.052 -.3673149 .001277 democ | -.3293888 .0891916 -3.69 0.000 -.504201 -.1545766 profesioni~a | .1354911 .155372 0.87 0.383 -.1690324 .4400145 _cons | -.3273027 .0922521 -3.55 0.000 -.5081134 -.146492 ------------------------------------------------------------------------------ (mejor==mejores políticos is the base outcome) . . ** Probabilidades predichas para hombres/mujeres vs. con/sin estudios de prepa o más: . prtab mujer prepa mlogit: Predicted probabilities for mejor Predicted probability of outcome 2 (mejores_leyes) -------------------------- |1=estudio prepa | o mas, 0=sin 1=mujer, | prepa 0=hombre | 0 1 ----------+--------------- 0 | 0.4209 0.2653 1 | 0.4507 0.2904 -------------------------- Predicted probability of outcome 3 (los_dos) -------------------------- |1=estudio prepa | o mas, 0=sin 1=mujer, | prepa 0=hombre | 0 1 ----------+--------------- 0 | 0.2163 0.2437 1 | 0.2168 0.2496 -------------------------- Predicted probability of outcome 1 (mejores_políticos) -------------------------- |1=estudio prepa | o mas, 0=sin 1=mujer, | prepa 0=hombre | 0 1 ----------+--------------- 0 | 0.3628 0.4909 1 | 0.3326 0.4599 -------------------------- mujer prepaomas democ profesioni~a x= .54205345 .3766526 .60984529 .08101266 . ** La última tabla indica que: . ** Hombres sin prepa tienen 36.28% de probabilidad de opinar que necesitamos mejores políticos . ** En cambio, mujeres con prepa o más tienen un 45.99% de probabilidad de opinar eso mismo . . ** Probabilidades predichas para quienes creen que SI/NO tenemos una democracia vs. . ** con/sin estudios de prepa o más: . prtab demo prepaomas mlogit: Predicted probabilities for mejor Predicted probability of outcome 2 (mejores_leyes) -------------------------- |1=estudio prepa mexico es | o mas, 0=sin democ? | prepa 1=si 0=no | 0 1 ----------+--------------- 0 | 0.3815 0.2365 si | 0.4723 0.3071 -------------------------- Predicted probability of outcome 3 (los_dos) -------------------------- |1=estudio prepa mexico es | o mas, 0=sin democ? | prepa 1=si 0=no | 0 1 ----------+--------------- 0 | 0.2681 0.2971 si | 0.1873 0.2177 -------------------------- Predicted probability of outcome 1 (mejores_políticos) -------------------------- |1=estudio prepa mexico es | o mas, 0=sin democ? | prepa 1=si 0=no | 0 1 ----------+--------------- 0 | 0.3505 0.4664 si | 0.3404 0.4751 -------------------------- mujer prepaomas democ profesioni~a x= .54205345 .3766526 .60984529 .08101266 . . ** Predicciones para mujeres con prepa o más y que creen que tenemos una democracia: . prvalue, x(democ 1 mujer 1 prepa 1) mlogit: Predictions for mejor Confidence intervals by delta method 95% Conf. Interval Pr(y=mejores_|x): 0.3197 [ 0.2871, 0.3523] Pr(y=los_dos|x): 0.2198 [ 0.1914, 0.2483] Pr(y=mejores_|x): 0.4605 [ 0.4254, 0.4957] mujer prepaomas democ profesioni~a x= 1 1 1 .08101266 . ** Estas personas tienen 32% de probabilidad de preferir mejores politicos, 22% ambas cosas, . ** y 46% mejores políticos (ésta es la predicción más probable) . . ** Predicciones para mujeres profesionistas con prepa o más, y que creen que tenemos una democracia: . prvalue, x(democ 1 mujer 1 prepa 1 profes 1) mlogit: Predictions for mejor Confidence intervals by delta method 95% Conf. Interval Pr(y=mejores_|x): 0.2639 [ 0.2073, 0.3205] Pr(y=los_dos|x): 0.2583 [ 0.2039, 0.3127] Pr(y=mejores_|x): 0.4778 [ 0.4142, 0.5414] mujer prepaomas democ profesioni~a x= 1 1 1 1 . ** Estas personas tienen 26.4% de probabilidad de preferir mejores politicos, 25.8% ambas cosas, . ** y 47.8% mejores políticos. . . ** Predicciones para hombres profesionistas con prepa o más, y que creen que tenemos una democracia: . prvalue, x(democ 1 mujer 0 prepa 1 profes 1) mlogit: Predictions for mejor Confidence intervals by delta method 95% Conf. Interval Pr(y=mejores_|x): 0.2403 [ 0.1881, 0.2925] Pr(y=los_dos|x): 0.2514 [ 0.1993, 0.3035] Pr(y=mejores_|x): 0.5083 [ 0.4463, 0.5703] mujer prepaomas democ profesioni~a x= 0 1 1 1 . . ** Predicciones para hombres NO profesionistas con prepa o más, y que creen que tenemos una democracia: . prvalue, x(democ 1 mujer 0 prepa 1 profes 0) mlogit: Predictions for mejor Confidence intervals by delta method 95% Conf. Interval Pr(y=mejores_|x): 0.2975 [ 0.2634, 0.3316] Pr(y=los_dos|x): 0.2119 [ 0.1818, 0.2420] Pr(y=mejores_|x): 0.4907 [ 0.4525, 0.5288] mujer prepaomas democ profesioni~a x= 0 1 1 0 . . ** Predicciones para hombres NO profesionistas SIN prepa, y que creen que tenemos una democracia: . prvalue, x(democ 1 mujer 0 prepa 0 profes 0) mlogit: Predictions for mejor Confidence intervals by delta method 95% Conf. Interval Pr(y=mejores_|x): 0.4615 [ 0.4304, 0.4925] Pr(y=los_dos|x): 0.1839 [ 0.1613, 0.2065] Pr(y=mejores_|x): 0.3546 [ 0.3258, 0.3835] mujer prepaomas democ profesioni~a x= 0 0 1 0 . . ** con esto concluimos el ejercicio y nuestro curso! . . ** cerramos la bitácora . . log close log: C:\Users\Javier\Documents\dia3cursoencup.txt log type: text closed on: 2 Aug 2009, 18:02:50 -----------------------------------------------------------------------------------------------------------------------