Bayesian Probit Regression Model

Ideea centrală este că, în spatele fiecărui rezultat observat da/nu, există un scor latent continuu de predispoziție. Când acest scor depășește zero, rezultatul este codificat ca 1, altfel 0. Legătura probit mapează această variabilă Gaussiană latentă la o probabilitate prin funcția de distribuție cumulativă normală standard. În versiunea Bayesiană, în loc să se calculeze un singur vector de coeficienți optimi, se integrează peste toate valorile plauzibile ale coeficienților, ponderate de o a priori și de funcția de verosimilitate, rezultând o distribuție posterioară care cuantifică complet incertitudinea. Trucul de augmentare a datelor al lui Albert și Chib face acest proces tractabil prin eșantionarea scorurilor latente alături de coeficienți într-un eșantionator Gibbs.