Bayesian Probit Regression Model

L'idée centrale est que derrière chaque observation binaire oui/non se cache un score de propension continu latent. Lorsque ce score dépasse zéro, le résultat est codé 1, sinon 0. Le lien probit mappe cette variable gaussienne latente à une probabilité via la fonction de répartition normale standard. Dans la version bayésienne, au lieu de calculer un vecteur de coefficients de meilleure estimation, on intègre sur toutes les valeurs plausibles de coefficients pondérées par une a priori et la vraisemblance, produisant une distribution a posteriori qui quantifie entièrement l'incertitude. L'astuce d'augmentation de données d'Albert et Chib rend cela traitable en échantillonnant les scores latents aux côtés des coefficients dans un échantillonneur de Gibbs.