Probit Regresyon Modeli
Probit Regression Model · Ayrıca şöyle bilinir: probit regression, normit model, Probit Modeli
Probit modeli, tahmin edicilerin doğrusal bir indeksini standart normal kümülatif dağılım fonksiyonundan geçirerek olasılık üreten ikili (0/1) bir sonuç için kullanılan bir regresyon yöntemidir. Lojistik regresyona klasik bir ayrık seçim alternatifidir ve Greene'nin Econometric Analysis (2018) gibi standart ekonometri metinlerinde geliştirilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bağımlı değişken ikili olduğunda ve amaç tahmin veya sınıflandırma olduğunda, makul bir örneklem büyüklüğü (en az yaklaşık 50 gözlem) ile probit modelini kullanın. Gerçekten ikili bir sonucu ve güçlü şekilde çoklu doğrusal olmayan tahmin edicileri varsayar. Ekonometri ortamlarında, normal dağılımlı gizli bir hatanın mantıklı bir hikaye olduğu doğal bir seçimdir ve kesitsel veya boylamsal veriler üzerinde çalışır. Çok küçük örneklemler için veya tahmin ediciler yüksek derecede çoklu doğrusal olduğunda daha az uygundur.
Güçlü yönler & sınırlılıklar
- Uyumlanmış olasılıkları geçerli 0-1 aralığında tutarak ikili bir sonucu temiz bir şekilde ele alır.
- Normal dağılımlı bir hataya sahip gizli değişkenli bir modele dayanması, ekonometride net bir teorik yorumlama sağlar.
- ROC eğrisi ve AUC gibi sınıflandırma tanıları ve yorumlama için marjinal etkiler raporlaması ile iyi desteklenir.
- Katsayılar olasılık üzerindeki etkiler olarak doğrudan yorumlanamaz; marjinal etkiler (dy/dx) ayrı olarak hesaplanmalıdır.
- Orta düzeyde bir örneklem (yaklaşık 50 veya daha fazla gözlem) gerektirir ve tahmin ediciler güçlü şekilde çoklu doğrusal olduğunda bozulur.
- Tahmin, sayısal maksimum olabilirlik yöntemine dayanır; bu yöntem, sonuç tahmin ediciler tarafından neredeyse mükemmel bir şekilde ayrıldığında yakınsamayabilir.
SSS
Probit, lojistik regresyondan nasıl farklıdır?
Her ikisi de doğrusal bir indeks aracılığıyla ikili bir sonucu modeller, ancak probit indeksi standart normal CDF (Φ) aracılığıyla geçirirken lojistik regresyon lojistik CDF'yi kullanır. İkisi genellikle çok benzer uyumlanmış olasılıklar verir; probit genellikle normal dağılımlı gizli hatanın doğal varsayım olduğu durumlarda, logit ise yorumlanabilir oran oranlarının istendiği durumlarda tercih edilir.
Neden probit katsayılarını doğrudan okuyamıyorum?
Katsayılar doğrusal olmayan normal eğri aracılığıyla hareket ettiği için, bir tahmin edicideki bir birimlik değişiklik olasılığı sabit bir miktarda değiştirmez. Etkiyi yorumlamak için, her katsayıyı tahmin edilen olasılık üzerindeki etkisine çeviren marjinal etkileri (dy/dx) raporlayın.
Ne kadar büyük bir örneğe ihtiyacım var?
Yaklaşık 50 gözlem makul bir minimumdur. Maksimum olabilirlik tahminleri küçük örneklemlerde istikrarsızdır ve özellikle sonuç tahmin ediciler tarafından neredeyse ayrıldığında yakınsama sorunları daha olası hale gelir.
Uyum nasıl değerlendirilir?
Hosmer-Lemeshow testi ile uyum iyiliğini kontrol edin ve ROC eğrisi ve AUC ile sınıflandırma performansını değerlendirin. Bunlar, katsayı ve marjinal etki tahminlerini tamamlar.
Kaynaklar
- Greene, W. H. (2018). Econometric Analysis (8th ed.). Pearson. ISBN: 978-0134461366
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Probit Regression Model. ScholarGate. https://scholargate.app/tr/econometrics/probit-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensel Çıkarım için Enstrümantal Değişkenler (IV) YöntemiSağlık ekonomisi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır