Previsión de modelos de regresión

[imendez]

Hola, hasta donde yo sé, actualmente los modelos de regresión (lineal, Logit, Probit) no se pueden estimar por máxima verosimilitud si contienen omitidos en el Output.
Por ello, propongo que se implemente un filtro previo a la estimación (cuando se utilizan este tipo de estrategias MLE) que haga lo siguiente:

• Seleccionar los datos de las M-Variables para aquellas observaciones en las que el Output no sea desconocido.
• Estimar.
• Aplicar el modelo estimado a los elementos cuyo output es omitido.
• Devolver los resultados para todos los elementos.

Aproximadamente eso es lo que hacemos actualmente por fuera de MMS, con dos inconvenientes:
1.- En el mejor de los casos, el usuario conoce algún proyecto en el que se haya hecho antes eso y se copia el código; otras veces, sin embargo, lo programa de cero.
2.- Si se produce algún cambio drástico en MMS que haga que no funcione el procedimiento "estándar" actual, hay que reprogamarlo. Esto ya ha ocurrido en el pasado: antes lo hacíamos duplicando la estimación y reemplazando los valores de las variables explicativas (con SetData), y ahora creamos desde el principio dos estimaciones y a la que tiene los omitidos le ponemos los parámetros de la que no los contiene (con SetResults).

Sería algo que sólo habría que programar una vez en MMS y que ahorraría mucho tiempo de programación a los analistas.

Por cierto, yo lo he limitado a las estrategias MultiMLE, pero:

• Si en el futuro estas estrategias permiten definir covarianzas entre observaciones y estimar con omitidos en el Output, no debería hacerse este tratamiento de omitidos que propongo.
• Aunque MMS actualmente permite estimar con omitidos en el Output, si no se definen covarianzas creo que no haría falta estimarlos, y sería más rápido aplicar el procedimiento propuesto también a BSR.

En consecuencia, tal vez es algo que debe definirse con algún parámetro de configuración para el tratamiento de omitidos (Estimar/Aplicar).

Un saludo.