Sağlamçaplı (Robust) Probit Modeli
Robust Probit Regression Model · Ayrıca şöyle bilinir: probit with robust standard errors, sandwich-SE probit, heteroscedasticity-robust probit, M-estimation probit
Sağlamçaplı Probit Modeli, ikili bir sonucun olasılığını probit bağlantı fonksiyonunu kullanarak tahmin ederken, çıkarımı hata dağılımının yanlış belirtilmesinden veya değişen varyanstan (heteroscedasticity) kaynaklanan hatalara karşı korur. Katsayılar en çok olabilirlik (maximum likelihood) yöntemiyle elde edilir; standart hatalar daha sonra, varsayılan hata varyansı yanlış olsa bile tutarlı kalan sandviç (Huber-White) kestiricisi ile değiştirilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç ikili olduğunda ve hata yapısında değişen varyans veya hafif normalden sapma konusunda endişeleriniz olduğunda — örneğin, artık (residual) grafikleri veya bir Breusch-Pagan analoğu testi sabit olmayan varyansı işaret ettiğinde — sağlam probiti kullanın. Ders kitabı varsayımlarının nadiren kusursuz olduğu kesitsel sosyal bilimler, sağlık ve ekonomi veri kümelerinde özellikle değerlidir. Sandviç asimptotiği için yeterli örneklem büyüklüğü olduğunda (yaklaşık n > 50) standart probitten daha uygundur. Kümelenmiş verileri doğru modellemenin yerine bunu kullanmayın — gözlemler bir gruba aitse, bunun yerine küme-sağlam standart hataları veya çok düzeyli bir probit kullanın. Gizli değişken varsayımının kendisi ciddi şekilde ihlal edildiğinde de uygun değildir; bu durumda yarı-parametrik ikili modelleri düşünün.
Güçlü yönler & sınırlılıklar
- Katsayı tahminleri, hata dağılımının hafif yanlış belirtilmesi durumunda tutarlı kalır.
- Sandviç standart hataları, modelin yeniden tahmin edilmesini gerektirmeden değişen varyans altında geçerlidir.
- İstatistiksel yazılımlarda (Stata, R glm vcovHC ile, Python statsmodels) çok az ek çabayla yaygın olarak desteklenir.
- Sağlam probitten hesaplanan ortalama marjinal etkiler, logitten elde edilenlere benzerdir, bu da modeller arası kontrolleri kolaylaştırır.
- Tamamen doğru belirtilmiş parametrik bir hata dağılımı varsaymadan asimptotik olarak geçerli çıkarım.
- Küçük örneklemlerde (n < 100) sandviç standart hataları aşağı doğru yanlı olabilir; küçük örneklem düzeltmeleri (HC3) tavsiye edilir.
- Sağlam standart hatalar çıkarımı korur ancak koşullu ortalama kendisi yanlış belirtilmişse katsayı yanlılığını düzeltmez.
- Tamamen Bayesci veya M-tahmin yaklaşımlarının aksine, sandviç düzeltmesi tahminleri veya model uyum istatistiklerini değiştirmez.
- Yorumlama, ham katsayılar yerine hala marjinal etkiler gerektirir, bu da tahmin sonrası bir adım ekler.
SSS
Sağlam probit standart probitten nasıl farklıdır?
Nokta tahminleri (katsayılar) aynıdır — her ikisi de en çok olabilirlik kullanır. Fark standart hatalardadır: sağlam probit, değişen varyans veya hafif dağılımsal yanlış belirtme altında geçerli kalan sandviç (Huber-White) kestiricisini kullanır; oysa standart probit, doğru belirtilmiş bir modeli varsayan beklenen bilgi matrisine dayanır.
Sağlam probit mi yoksa sağlam logit mi kullanmalıyım?
Çoğu uygulama için probit ve logit arasındaki seçim önemsizdir — her ikisi de benzer marjinal etkiler verir ve sandviç düzeltmeleri eşit şekilde uygulanır. Normal dağılmış gizli hataları varsaymak için teorik bir nedeniniz olduğunda probit tercih edilir; logit kapalı formda bir olasılık oranı yorumuna sahiptir ve tahmin edilmesi biraz daha hızlıdır. Her ikisinin de sağlam sürümleri çıkarımı benzer şekilde korur.
Sağlam probitin katsayılarını nasıl yorumlarım?
Probit katsayıları, bir öngörücüdeki birim artış başına probit indeksi (Xβ) değişimini ölçer. Doğrudan olasılık değişiklikleri olarak yorumlanamazlar. Ortalama marjinal etkileri hesaplayın — örneklem üzerindeki φ(Xβ̂)·β̂_j'nin ortalaması — xj'deki birim değişiklik başına y=1 olasılığındaki tahmini değişikliği elde etmek için.
Küme-sağlam standart hataları yerine değişen varyanslı-sağlam standart hataları ne zaman kullanmalıyım?
Gözlemler gruplandırıldığında (örneğin, okullar içindeki öğrenciler, hastaneler içindeki hastalar) ve bir küme içindeki hatalar ilişkili olabileceğinde küme-sağlam standart hataları kullanın. Değişen varyanslı-sağlam (HC) standart hataları yalnızca bireysel gözlemler arasındaki sabit olmayan varyansı düzeltir ancak bağımsızlığı varsayar. Kümelenmeyi var olduğunda göz ardı etmek standart hataları önemli ölçüde azaltır.
Sandviç standart hatalarının güvenilir olması için ne kadar örneklem büyüklüğü gereklidir?
Sandviç kestiricileri asimptotiktir; pratikte HC1/HC2 düzeltmeleri için genellikle n ≥ 100, HC3 (kaldıraç tabanlı bir düzeltme uygulayan) ile n ≥ 50 önerilir. n = 50'nin altında, alternatif olarak bootstrap güven aralıklarını düşünün.
Kaynaklar
- Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press. ISBN: 978-0262232586
- White, H. (1982). Maximum Likelihood Estimation of Misspecified Models. Econometrica, 50(1), 1–25. DOI: 10.2307/1912526 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Probit Regression Model. ScholarGate. https://scholargate.app/tr/statistics/robust-probit-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Doğrusal Model (GLM)İstatistik↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Sağlam Lojistik Regresyonİstatistik↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır