İstatistik – Sosyal Bilimlerde İstatistik (54) – İkili Probit Modeli – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

0 (312) 276 75 93 @ İletişim İçin Whatsapp Mesajı + 90 542 371 29 52 - Ödev Yaptırma, Proje Yaptırma, Tez Yaptırma, Makale Yaptırma, Essay Yaptırma, Literatür Taraması Yaptırma, Vaka İncelemesi Yaptırma, Research Paper Yaptırma, Akademik Makale Yaptırma, İntihal Oranı Düşürme, İstatistik Ödev Yaptırma, İstatistik Proje Yaptırma, İstatistik Tez Yaptırma, İstatistik Makale Yaptırma, İstatistik Essay Yaptırma, Edebiyat Ödev Yaptırma, Edebiyat Proje Yaptırma, Edebiyat Tez Yaptırma, İngilizce Ödev Yaptırma, İngilizce Proje Yaptırma, İngilizce Tez Yaptırma, İngilizce Makale Yaptırma, Her Dilde Ödev Yaptırma, Hukuk Ödev Yaptırma, Hukuk Proje Yaptırma, Hukuk Tez Yaptırma, Hukuk Makale Yaptırma, Hukuk Essay Yaptırma, Hukuk Soru Çözümü Yaptırma, Psikoloji Ödev Yaptırma, Psikoloji Proje Yaptırma, Psikoloji Tez Yaptırma, Psikoloji Makale Yaptırma, İnşaat Ödev Yaptırma, İnşaat Proje Yaptırma, İnşaat Tez Yaptırma, İnşaat Çizim Yaptırma, Matlab Yaptırma, Spss Yaptırma, Spss Analizi Yaptırmak İstiyorum, Ücretli Spss Analizi, İstatistik Ücretleri, Spss Nedir, Spss Danışmanlık, İstatistik Hizmeti, Spss Analizi ve Sonuçların Yorumlanması, Spss Ücretleri, Tez Yazdırma, Ödev Danışmanlığı, Ücretli Ödev Yaptırma, Endüstri Mühendisliği Ödev Yaptırma, Tez Yazdırma, Matlab Ödev Yaptırma, Tez Danışmanlığı, Makale Danışmanlığı

1 Star2 Stars3 Stars4 Stars5 Stars (1 Kişi oy verdi, 5 üzerinden ortalama puan: 5,00. Bu yazıya oy vermek ister misiniz?)
Loading...

İstatistik – Sosyal Bilimlerde İstatistik (54) – İkili Probit Modeli – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

30 Eylül 2020 İkili Probit Modeli İkili probit ve lojistik regresyon modelleri İstatistik – Sosyal Bilimlerde İstatistik (54) – İkili Probit Modeli – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma Kümülatif normal dağılım fonksiyonu Model Geliştirme ve Parametre Yorumlama Ödevcim Akademik ortak değişken kombinasyonları parametrelerin yorumlanması Probit modeli regresyon parametreleri yukarıdaki olabilirlik fonksiyonu 0
İstatistik – Sosyal Bilimlerde İstatistik (54) – İkili Probit Modeli – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

 

On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


İkili Probit Modeli

Sosyal bilimlerde popülerlik sağlayan ilk genelleştirilmiş doğrusal regresyon modellerinden biri, ikili sonuç değişkenleri için lojistik regresyon modeliydi (Hosmer ve Lemeshow 1989). İkili sonuçlar sosyal bilim araştırmalarında yaygındır, ancak 1980’lerden önce, genelleştirilmiş doğrusal regresyon modellerinin parametrelerini tahmin etmek için gereken hesaplama gücü kapasiteyi aştı. Sonuç olarak, birçok sosyal bilim araştırmacısı, yukarıda tartıştığımız gibi, çeşitli nedenlerden dolayı istenmeyen bir yaklaşım olan OLS regresyonunu kullanarak parametreleri tahmin etti.

Yinelemeli olarak yeniden ağırlıklandırılmış en küçük kareler algoritmasının geliştirilmesiyle, hesaplama gücündeki artışla birlikte, lojistik regresyon kullanımı, ikili sonuçların ele alınmasında tercih edilen yöntem olarak OLS regresyonunun yerini hızla aldı. Lojistik regresyon modeli, aşağıda gösterdiğim gibi, öncelikli olarak model parametrelerinin göreceli olarak yorumlanma kolaylığı nedeniyle popülerlik kazanmıştır. Bununla birlikte, bu bölümde, örneklerim sadece ikili probit modelini ve ordinal probit modellerine uzantısını içermektedir.

Lojistik regresyon modeli veya diğer modeller (örneğin tamamlayıcı log-log modeli) üzerinden probit modelinin seçimi büyük ölçüde kolaylık sağlamak içindir: Göreceğimiz gibi, olasılık açısından probit modeli ile çalışmak genellikle daha kolaydır, çünkü normal dağılımın kullanılmasını içerir. Bununla birlikte, lojistik ve tamamlayıcı log-log modellerinin genişletmeleri basittir. Bu modellere klasik bir yaklaşım için Long (1997) ve Powers ve Xie (2000) ‘yi öneriyorum. İkili ve sıralı sonuç modellerine derinlemesine bir Bayesçi açıklama için Johnson ve Albert (1999) ‘u öneriyorum.

Model Geliştirme ve Parametre Yorumlama

Bir regresyon modelindeki sonuç değişkenimiz ikili (0,1) ise, o zaman veriler için uygun bir olasılık fonksiyonu iki terimli veya Bernoulli dağılımına dayanır. Olabilirlik işlevi şu şekilde ifade edilebilir:

  • L(P |y) ∝ yi (1 − pi)1−yi ,

yi, i kişisi için gözlemlenen ikili sonuçtur. Sonuçta “1” olan bir kişi için, olasılığa olan katkı ilk terime indirgenir; 0 olan bir kişi için olasılığa katkısı ikinci terime indirgenir.

Yazıldığı gibi, bu olasılık fonksiyonunun regresyon parametresi yoktur, ancak pi’yi – “1” yanıtının olasılığını – doğrusal kombinasyon XiT to ile ilişkilendirmek istiyoruz. Bölümün başında tartışıldığı gibi, bu sorunludur çünkü bir kimlik bağı [yani, pi = XiT β] pi için yasadışı değerleri tahmin edebilir. Kümülatif dağılım fonksiyonları, tahmin ediciyi tüm gerçek çizgiden [0,1] aralığına eşleyebilen bir fonksiyonlar sınıfı oluşturur, çünkü cdf’ler doğal olarak bu aralığa düşen değerleri üretmek için sınırlandırılmıştır (bkz. Bölüm 2). Probit model durumunda, Φ (.)

Kümülatif normal dağılım fonksiyonu olduğu (yani, 􏰅 XiT β N (0, 1)) pi = Φ (XiT β) olmasına izin veririz. XiT β değerinin −∞una bakılmaksızın, pi kabul edilebilir aralıkta olacaktır. Lojistik regresyon modeli elde etmek için, pi = eXiT β / (1 + eXiT β) (kümülatif lojistik dağıtım fonksiyonu) ayarlamanız yeterlidir.

İkili probit ve lojistik regresyon modelleri hakkında düşünmenin bir başka yolu – bir Gibbs örnekleyicisini kurmak için yararlı olan – gizli değişkenler açısından. Probit veya lojistik regresyon modelini, sürekli dağıtılmış bir gözlemlenmemiş özellik veya eğilim skoru için doğrusal bir model olarak ifade edebiliriz, yi ∗ şu şekilde:

  • yi ∗ = XiTβ + ei

Bu perspektiften, yi ∗ sürekli olmasına rağmen, kaba ölçüm gözlemimizi ikili bireysel yanıtla sınırlandırır. Bireyin eğilimi yeterince büyükse (yani, 0 eşiğinin üzerine düşerse), y üzerinde 1 gözlemliyoruz; aksi takdirde 0 gözlemliyoruz.
Bu kurulum göz önüne alındığında, ilgili regresyon parametrelerinin tahminine izin vermek için modeli bir şekilde yeniden düzenlememiz gerekir. Denklem 8.2 ve 8.3’ü şu şekilde birleştirebiliriz:

E için standart bir normal dağılım varsayarsak, o zaman probit modelini elde ederiz:

  • −∞yi ∗ = XiTβ + ei (8.2) 􏰈1 iff yi ∗> 0
    yi = 0 ancak yi ∗ ≤0. (8.3)
    p (yi = 1) = p (ei> −XiTβ) = p (ei <XiTβ)

Bunun, Denklem 8.1’de yukarıdaki olabilirlik fonksiyonuna yerleştirdiğimiz ifadenin aynısı olduğuna dikkat edin. Kümülatif normal dağılım işlevi için bir lojistik dağılım varsayarsak (yani, 􏰅 XiT β N (0, 1)) sonuç olduğundan daha farklı çıkabilir.

Normal dağılım yerine hata varsa, yukarıda tartışılan lojistik regresyon modelini elde ederiz. Probit modelini tamamen Bayesçi yapmak için, modeldeki regresyon parametreleri üzerinde öncelikler belirlememiz gerekir. Bu amaçla, önceki bölümde yaptığımız gibi, gerçek çizgi üzerinde uygun olmayan tek tip öncelikler kullanabilirdik, çok belirsiz normal önsözler kullanabilirdik [örneğin, β ∼ N (0, 10000)] veya ” koşullu, öncelikler anlamına gelir.

Bu yaklaşım altında, çeşitli ortak değişken kombinasyonları için önceden beklenen olasılıkları belirleyecek, bu olasılıkları regresyon katsayısı ölçeğine çevirecek ve bu bilgiyi, posterior elde etmek için olasılık fonksiyonu ile birleştireceğiz (örnekler için Johnson ve Albert 1999’a bakınız). Örneklerde, maksimum olasılık tahminiyle elde edilen tahminlerle de karşılaştırmalar yapılabilmesi için tek tip öncelikler de kullanıyorum.

Öncüller oluşturulmuş ve pi yerine Φ (XiT β) ile, arka dağılım da şöyledir:

  • Φ (XiT β) yi (1 – Φ (XiT β)) 1 − yi olur.

Bu modeldeki ve tüm GLM’lerdeki parametrelerin yorumlanması, OLS regresyon modelindeki parametrelerin yorumlanması kadar kolay değildir (bkz. Liao 1994). Bağlantı işlevi doğrusal olmadığından (doğrusal olmayan bir işlevin integrali), tahminci doğrusal olsa bile modelin kendisi olasılıklarda doğrusal değildir. Bu doğrusal olmama, yorumlamayı zorlaştırır, çünkü her değişkenin etkileri artık diğer değişkenlerin etkilerinden bağımsız da  değildir.

Probit modeli doğrusaldır, ancak z (standart normal) birimlerinde elde edilir. Yani, Xβ’nin standart normal dağılımın integrali için belirli bir üst limiti ifade ettiği göz önüne alındığında, her bir β, karşılık gelen ortak değişkenindeki bir birimlik artış için z skoru üzerindeki beklenen etkisi açısından görülebilir. Diğer yandan, lojistik regresyon modeli, log-olasılık birimlerinde doğrusaldır. Oranların p oranı olarak hesaplandığını hatırlayın. Lojistik bağlantı işlevi 1 − plog-olasılık işlevidir. Modeldeki katsayılar, log-olasılıklar üzerindeki doğrusal etkileri açısından yorumlanabilir, ancak bu pek yardımcı olmuyor. Bunun yerine, modeli üslersek şunu da elde ederiz:

  • xp XiTβ =eβ0eβ1xi1.

On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir