โดยทั่วไปแล้วคุณไม่สามารถตีความค่าสัมประสิทธิ์จากผลลัพธ์ของการถดถอยแบบโปรบิต (ไม่ได้อยู่ในวิธีมาตรฐานอย่างน้อยที่สุด) คุณจำเป็นต้องตีความผลกระทบเล็กน้อยของ regressors นั่นคือความน่าจะเป็น (เงื่อนไข) ของตัวแปรผลลัพธ์เปลี่ยนแปลงเมื่อคุณเปลี่ยนค่าของ regressor ให้คงที่ regressors อื่น ๆ ทั้งหมดที่ค่าบางค่า สิ่งนี้แตกต่างจากกรณีการถดถอยเชิงเส้นตรงซึ่งคุณตีความค่าสัมประสิทธิ์โดยประมาณโดยตรง เป็นเช่นนี้เพราะในกรณีการถดถอยเชิงเส้นค่าสัมประสิทธิ์การถดถอยมีผลกระทบเล็กน้อย
ในการถดถอย probit มีขั้นตอนเพิ่มเติมของการคำนวณที่จำเป็นในการได้รับผลกระทบเล็กน้อยเมื่อคุณได้คำนวณพอดีกับการถดถอย probit
ตัวแบบการถดถอยเชิงเส้นและแบบโปรบิต
การถดถอยแบบ Probit : จำได้ว่าในแบบจำลอง probit คุณกำลังสร้างแบบจำลองความน่าจะเป็น (เงื่อนไข) ของผลลัพธ์ที่ "สำเร็จ" นั่นคือ ,
โดยที่คือ ฟังก์ชันการแจกแจงสะสมของการแจกแจงแบบปกติมาตรฐาน สิ่งนี้บอกโดยทั่วไปแล้วว่าเงื่อนไขของ regressors ความน่าจะเป็นที่ตัวแปรผลลัพธ์คือ 1 เป็นฟังก์ชันหนึ่งของการรวมกันเชิงเส้นของ regressorsYi=1
P[Yi=1∣X1i,…,XKi;β0,…,βK]=Φ(β0+∑k=1KβkXki)
Φ(⋅)Yi
การถดถอยเชิงเส้น : เปรียบเทียบสิ่งนี้กับโมเดลการถดถอยเชิงเส้นที่
E(Yi∣X1i,…,XKi;β0,…,βK)=β0+∑k=1KβkXki
ค่าเฉลี่ย (เงื่อนไข) ของผลลัพธ์คือการรวมกันเชิงเส้นของ regressors
ผลกระทบเล็กน้อย
นอกเหนือจากแบบจำลองการถดถอยเชิงเส้นค่าสัมประสิทธิ์ไม่ค่อยมีการตีความโดยตรง เรามีความสนใจโดยทั่วไปในceteris paribusผลกระทบของการเปลี่ยนแปลงใน regressors ที่มีผลต่อคุณสมบัติของตัวแปรผลที่ นี่คือความคิดที่ว่าการวัดผลกระทบเล็กน้อย
- การถดถอยเชิงเส้น : ตอนนี้ฉันต้องการที่จะรู้ว่าค่าเฉลี่ยของตัวแปรผลลัพธ์ย้ายไปเท่าใดเมื่อฉันย้ายหนึ่งใน regressors
∂E(Yi∣X1i,…,XKi;β0,…,βK)∂Xki=βk
แต่นี่เป็นเพียงสัมประสิทธิ์การถดถอยซึ่งหมายความว่าผลกระทบเล็กน้อยจากการเปลี่ยนแปลงของ -th regressor เป็นเพียงสัมประสิทธิ์การถดถอยk
- การถดถอย Probit : อย่างไรก็ตามมันเป็นเรื่องง่ายที่จะเห็นว่านี่ไม่ใช่กรณีของการถดถอยProbit
∂P[Yi=1∣X1i,…,XKi;β0,…,βK]∂Xki=βkϕ(β0+∑k=1KβkXki)
ซึ่ง
ไม่เหมือนกับสัมประสิทธิ์การถดถอย นี่คือ
ผลกระทบส่วนเพิ่มสำหรับโมเดล probit และปริมาณที่เราใช้ โดยเฉพาะอย่างยิ่งสิ่งนี้ขึ้นอยู่กับค่าของ regressors อื่น ๆ ทั้งหมดและสัมประสิทธิ์การถดถอย ที่นี่คือฟังก์ชันความหนาแน่นของความน่าจะเป็นปกติแบบมาตรฐาน
ϕ(⋅)
คุณจะคำนวณปริมาณนี้อย่างไรและตัวเลือกของ regressors อื่น ๆ ที่ควรป้อนสูตรนี้มีอะไรบ้าง โชคดีที่ Stata ให้การคำนวณนี้หลังจากการถดถอยแบบ probit และให้ค่าเริ่มต้นของตัวเลือกของ regressors อื่น ๆ (ไม่มีข้อตกลงสากลสำหรับค่าเริ่มต้นเหล่านี้)
การถดถอยแบบไม่ต่อเนื่อง
โปรดทราบว่าส่วนใหญ่ข้างต้นใช้กับกรณีของการถดถอยต่อเนื่องเนื่องจากเราใช้แคลคูลัส ในกรณีของการแยกแบบไม่ต่อเนื่องคุณจำเป็นต้องใช้การเปลี่ยนแปลงแบบแยก ตัวอย่างเช่นการเปลี่ยนแปลงแบบไม่ต่อเนื่องใน regressorที่รับค่าคือXki{0,1}
ΔXkiP[Yi=1∣X1i,…,XKi;β0,…,βK]=βkϕ(β0+∑l=1k−1βlXli+βk+∑l=k+1KβlXli)−βkϕ(β0+∑l=1k−1βlXli+∑l=k+1KβlXli)
การคำนวณหาผลกระทบเล็กน้อยใน Stata
การถดถอย Probit : นี่คือตัวอย่างของการคำนวณผลกระทบเล็กน้อยหลังจากการถดถอย Probitใน Stata
webuse union
probit union age grade not_smsa south##c.year
margins, dydx(*)
นี่คือผลลัพธ์ที่คุณจะได้รับจากmargins
คำสั่ง
. margins, dydx(*)
Average marginal effects Number of obs = 26200
Model VCE : OIM
Expression : Pr(union), predict()
dy/dx w.r.t. : age grade not_smsa 1.south year
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
age | .003442 .000844 4.08 0.000 .0017878 .0050963
grade | .0077673 .0010639 7.30 0.000 .0056822 .0098525
not_smsa | -.0375788 .0058753 -6.40 0.000 -.0490941 -.0260634
1.south | -.1054928 .0050851 -20.75 0.000 -.1154594 -.0955261
year | -.0017906 .0009195 -1.95 0.051 -.0035928 .0000115
------------------------------------------------------------------------------
Note: dy/dx for factor levels is the discrete change from the base level.
สิ่งนี้สามารถตีความได้ว่าการเปลี่ยนแปลงหนึ่งหน่วยในage
ตัวแปรเพิ่มความน่าจะเป็นของสถานะสหภาพโดย 0.003442 ในทำนองเดียวกันจากทางใต้ลดความน่าจะเป็นของสถานะสหภาพลง 0.1054928
การถดถอยเชิงเส้น : เป็นการตรวจสอบขั้นสุดท้ายเราสามารถยืนยันได้ว่าผลกระทบเล็กน้อยในตัวแบบการถดถอยเชิงเส้นเหมือนกับค่าสัมประสิทธิ์การถดถอย (ที่มีการบิดเล็กน้อย) ใช้การถดถอยต่อไปนี้และคำนวณผลกระทบเล็กน้อยหลังจาก
sysuse auto, clear
regress mpg weight c.weight#c.weight foreign
margins, dydx(*)
เพียงแค่ให้ค่าสัมประสิทธิ์การถดถอยกลับคืนมา สังเกตความจริงที่น่าสนใจว่า Stata คำนวณผลกระทบส่วนเพิ่มสุทธิของ regressor รวมถึงผลกระทบจากเงื่อนไขกำลังสองถ้ารวมอยู่ในแบบจำลอง
. margins, dydx(*)
Average marginal effects Number of obs = 74
Model VCE : OLS
Expression : Linear prediction, predict()
dy/dx w.r.t. : weight foreign
------------------------------------------------------------------------------
| Delta-method
| dy/dx Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
weight | -.0069641 .0006314 -11.03 0.000 -.0082016 -.0057266
foreign | -2.2035 1.059246 -2.08 0.038 -4.279585 -.1274157
------------------------------------------------------------------------------