Модели Logit и Probit - что это такое, определение и концепция

Модели Logit и Probit - это нелинейные эконометрические модели, которые используются, когда зависимая переменная является двоичной или фиктивной, то есть может принимать только два значения.

Простейшей моделью бинарного выбора является модель линейной вероятности. Однако с его использованием возникают две проблемы:

  • Полученные вероятности могут быть меньше нуля или больше единицы,
  • Частичный эффект всегда остается постоянным.

Чтобы преодолеть эти недостатки, были разработаны логит-модель и пробит-модель, в которых используется функция, которая принимает только значения от нуля до единицы. Эти функции не являются линейными и соответствуют кумулятивным функциям распределения.

Логит модель

В модели Logit вероятность успеха оценивается функцией G (z) = / (z) где

Это стандартная логистическая кумулятивная функция распределения.

Например, с помощью этой функции и этих параметров мы получили бы значение:

Помните, что независимая переменная - это прогнозируемая вероятность успеха. B0 указывает прогнозируемую вероятность успеха, когда каждый из x равен нулю. Коэффициент B1 cap измеряет изменение прогнозируемой вероятности успеха, когда переменная x1 увеличивается на одну единицу.

Пробит модель

В модели Пробит вероятность успеха оценивается функцией G (z) =Φ (z) где

Это стандартная нормальная кумулятивная функция распределения.

Например, с помощью этой функции и этих параметров мы получили бы значение:

Частичные эффекты в Logit и Probit

Чтобы определить частичное влияние x1 на вероятность успеха, есть несколько случаев:

Для расчета частичного эффекта необходимо заменить каждую переменную. Икс для конкретного значения часто используется выборочное среднее значений переменных.

Методы оценки Logit и Probit

Нелинейный метод наименьших квадратов

Нелинейная оценка методом наименьших квадратов выбирает значения, которые минимизируют сумму квадратов остатков.

В больших выборках нелинейная оценка методом наименьших квадратов согласована, нормально распределена и, как правило, менее эффективна, чем метод максимального правдоподобия.

Максимальная вероятность

Оценщик максимального правдоподобия выбирает значения, которые максимизируют логарифм правдоподобия

В больших выборках оценщик максимального правдоподобия согласован, нормально распределен и является наиболее эффективным (поскольку он имеет наименьшую дисперсию из всех оценщиков).

Полезность моделей Logit и Probit

Как мы указывали в начале, проблемы линейной вероятностной модели двояки:

  • Полученные вероятности могут быть меньше нуля или больше единицы,
  • Частичный эффект всегда остается постоянным.

Модели logit и probit решают обе проблемы: значения (представляющие вероятности) всегда будут между (0,1), а частичный эффект будет меняться в зависимости от параметров. Так, например, вероятность того, что человек будет заниматься формальной работой, будет различной, если он только что закончил университет или имеет 15-летний опыт работы.

Рекомендации:

Вулдридж, Дж. (2010) Введение в эконометрику. (4-е изд.) Мексика: Cengage Learning.

Регрессионная модель

Популярные посты

Крупнейшие банки мира 2018

Еще один год мы собираем список самых важных банков мира. За последний годовой финансовый год стоимость китайских банков значительно выросла. По сравнению с предыдущим годом, мы можем увидеть рост рыночной капитализации крупнейших банков мира до 5,4 трлн евро.…