Modelo Logit Ordinal

Genera el código R (polr) o Stata (ologit) para estimar un modelo Logit Ordinal (dependiente categórica ordenada).

¿Cuándo se usa un Logit Ordinal?

Se aplica cuando la variable dependiente es categórica y tiene un orden natural, pero la "distancia" entre categorías no se conoce o no es comparable. Casos típicos: nivel de satisfacción (muy bajo, bajo, medio, alto, muy alto), nivel educativo (primaria, secundaria, universidad), grado de acuerdo en una escala Likert, calificación crediticia.

No tendría sentido tratar esas categorías como números en una regresión lineal (las distancias serían arbitrarias) ni como categorías sin orden (perderíamos la información del orden). El Logit ordinal explota precisamente ese orden.

Cómo funciona el modelo

Detrás del Logit ordinal hay una variable latente continua que no observamos; lo que vemos son umbrales que la dividen en categorías. El modelo estima los coeficientes de los regresores y esos puntos de corte. El supuesto clave es el de razones de probabilidad proporcionales: el efecto de cada regresor es el mismo sin importar qué corte estemos considerando.

Cómo interpretar los coeficientes

Como en el Logit binario, los coeficientes no son cambios directos en la probabilidad. Su signo indica si el regresor aumenta o reduce la probabilidad de estar en categorías superiores. Para cuantificar el efecto se usan los efectos marginales sobre la probabilidad de cada categoría, opción incluida en el formulario.

La sintaxis generada, explicada

En R, el modelo se estima con polr() del paquete MASS, asegurando que la dependiente sea un factor(ordered = TRUE). En Stata, el comando es ologit; los efectos marginales se obtienen con margins, dydx(*) predict(outcome(#k)), donde k es el número de la categoría.

Errores frecuentes

• No declarar la dependiente como factor ordenado en R. polr requiere un factor con ordered = TRUE.
• Confundirlo con el Logit multinomial. Si las categorías no tienen orden, hay que usar el multinomial.
• Olvidar el supuesto de proporcionalidad. Si falla, el modelo está mal especificado; existen contrastes específicos (Brant test) para comprobarlo.

Preguntas frecuentes

¿Ordinal o multinomial? Si las categorías están ordenadas, ordinal; si no, multinomial.

¿Logit ordinal o probit ordinal? Dan resultados muy parecidos; se elige por costumbre del área.

¿Y los efectos marginales? Se calculan por categoría, repitiendo margins cambiando el número de outcome.