Probitmodell

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Dieser Artikel oder Abschnitt ist nicht allgemeinverständlich formuliert. Die Mängel sind unter Diskussion:Probitmodell beschrieben. Wenn du diesen Baustein entfernst, begründe dies bitte auf der Artikeldiskussionsseite und ergänze den automatisch erstellten Projektseitenabschnitt Wikipedia:Unverständliche Artikel#Probitmodell um {{Erledigt|1=~~~~}}.


In der Statistik ist das Probitmodell eine Spezifikation eines Generalisierten Linearen Modells und verwendet eine Probit Link-Komponente. Probit Modelle wurden von Chester Bliss eingeführt.

Anwendung[Bearbeiten]

Probitmodelle werden wie Logitmodelle dazu verwendet, binäre Zielvariablen (0/1) zu modellieren, also Größen, die auf dem niedrigsten Skalenniveau vorliegen. Beispiele: „Kauft ein Produkt – Ja/Nein“, „Lässt sich scheiden – Ja/Nein“, „Hat Abitur – Ja/Nein“.

Definition und Schätzung[Bearbeiten]

Weil die Response eine Reihe von binomialen Werten darstellt, ist die Likelihood der Annahme unterworfen, dass sie einer Binomialverteilung folgt. Sei Y die Response und X der Vektor der erklärenden Variablen. Das Probitmodell hat die Annahme, dass gilt

\Pr(Y=1|X=x) = \Phi(x'\beta),

wobei \Phi die Verteilungsfunktion einer Standardnormalverteilung bezeichnet. Die Parameter \beta werden typischerweise mit der Maximum-Likelihood-Methode geschätzt.

Das Probitmodell kann durch ein einfaches Latente Variablenmodell erhalten werden. Unter der Annahme, dass

y^* = x'\beta + \epsilon,

wobei \epsilon\sim N(0,1), und dass Y einen Indikator dafür darstellt, ob die latente Variable y^* positiv ist:

Y\;\stackrel{\mathrm{def}}{=}\;1 \Leftrightarrow y^*>0.

Dann kann man zeigen, dass folgende Gleichung erfüllt ist:

\Pr(Y=1 | X=x) = \Phi(x'\beta)