آموزش آمار: آموزش SPSS و آموزش SAS و آموزش STATA و آموزش نرم افزار R


محاسبه رگرسیون پروبیت در نرم افزار STATA

نویسنده: هیئت تحریریه ژورنال الکترونیکی آمار آکادمی

رگرسیون های لجستیک خانواده وسیعی هستند که رگرسیون پروبیت یکی از پرکاربرد ترین آنها است. این رگرسیون در مورد متغیر های دو مقوله ای کاربرد دارد یعنی متغیر وابسته دارای دو وجه است. به عنوان مثال در یک مطالعه، هدف بررسی اثر متغیر های مستقل بر پیش بینی سطوح متغیر وابسته تحقیق است. متغیر وابسته را پذیرفته شدن یا رد شدن خرید یک محصول اگر در نظر بگیریم و متغیر های جنسیت، علایق فردی و نمره علاقه مندی به برند را به عنوان متغیر های مستقل در نظر بگیریم می توانیم از این روش استفاده کنیم. نکته اساسی در مورد این روش تشابه زیاد آن با رگرسیون لجیت دو مرحله ای است. در این روش بیشتر دخالت های ازمایشی محقق در جمع آوری داده ها مورد توجه است. به عنوان یک مثال در یک تحقیقی هدف کسب و شناسایی متغیر های مربوط به رد شدن یا قبول شدن در یک ازمون ورودی یک موسسه تحقیقاتی است. نمرات GRE و GPA و رتبه محل تحصیل به عنوان متغیر های پیش بین مورد توجه قرار گرفتند. ابتدا به کمک دستورات  زیر می توان اطللاعات توصیفی لازم را در مورد داده ها به دست آورد.

summarize gre gpa
tab rank
tab admit
tab admit rank


    Variable |       Obs        Mean    Std. Dev.       Min        Max
-------------+--------------------------------------------------------
         gre |       400       587.7    115.5165        220        800
         gpa |       400      3.3899    .3805668       2.26          4


       rank |      Freq.     Percent        Cum.
------------+-----------------------------------
          1 |         61       15.25       15.25
          2 |        151       37.75       53.00
          3 |        121       30.25       83.25
          4 |         67       16.75      100.00
------------+-----------------------------------
      Total |        400      100.00


      admit |      Freq.     Percent        Cum.
------------+-----------------------------------
          0 |        273       68.25       68.25
          1 |        127       31.75      100.00
------------+-----------------------------------
      Total |        400      100.00


           |                    rank
     admit |         1          2          3          4 |     Total
-----------+--------------------------------------------+----------
         0 |        28         97         93         55 |       273
         1 |        33         54         28         12 |       127
-----------+--------------------------------------------+----------
     Total |        61        151        121         67 |       400

برای محاسبه رگرسیون پروبیت نیز باید دستور زیر را وارد نمود. تا خروجی مورد نظر داده شود.


probit admit gre gpa i.rank
Probit regression                                 Number of obs   =        400
                                                  LR chi2(5)      =      41.56
                                                  Prob > chi2     =     0.0000
Log likelihood = -229.20658                       Pseudo R2       =     0.0831

------------------------------------------------------------------------------
       admit |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         gre |   .0013756   .0006489     2.12   0.034     .0001038    .0026473
         gpa |   .4777302   .1954625     2.44   0.015     .0946308    .8608297
             |
        rank |
          2  |  -.4153992   .1953769    -2.13   0.033    -.7983308   -.0324675
          3  |   -.812138   .2085956    -3.89   0.000    -1.220978   -.4032981
          4  |   -.935899   .2456339    -3.81   0.000    -1.417333   -.4544654
             |
       _cons |  -2.386838   .6740879    -3.54   0.000    -3.708026   -1.065649

بر این اساس یک واحد افزایش در GRE سبب افزایش 0.001 واحدی نمره Z می شود. این مقدار برای GPA برابر 0.478 است. برای بررسی سطوح متغیر های مستقل کیفی باید دستور زیر را وارد نمود.

test 2.rank 3.rank 4.rank

 (1)  [admit]2.rank = 0
 (2)  [admit]3.rank = 0
 (3)  [admit]4.rank = 0

           chi2(3) =   21.32
         Prob > chi2 =    0.0001

برای محاسبه Margin نیز دستور زیر را باید وارد نمود

margins rank, atmeans
Adjusted predictions                              Number of obs   = 400
Model VCE    : OIM

Expression   : Pr(admit), predict()
at           : gre  =  587.7 (mean)
               gpa             =      3.3899 (mean)
               1.rank          =       .1525 (mean)
               2.rank          =       .3775 (mean)
               3.rank          =       .3025 (mean)
               4.rank          =       .1675 (mean)

------------------------------------------------------------------------------
             |            Delta-method
             |     Margin   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        rank |
          1  |   .5163741   .0656201     7.87   0.000     .3877611    .6449871
          2  |   .3540742   .0394725     8.97   0.000     .2767096    .4314388
          3  |   .2203289   .0383674     5.74   0.000     .1451302    .2955277
          4  |   .1854353   .0487112     3.81   0.000     .0899631    .2809075

برای یافتن بهترین برازش مدل نیز می توان دستور زیرا وارد نمود.

Fitstat

که نتیجه آن به شرح زیر است:

Log-Lik Intercept Only:       -249.988   Log-Lik Full Model:           -229.207
D(393):                        458.413   LR(5):                          41.563
                                         Prob > LR:                       0.000
McFadden's R2:                   0.083   McFadden's Adj R2:               0.055
ML (Cox-Snell) R2:               0.099   Cragg-Uhler(Nagelkerke) R2:      0.138
McKelvey & Zavoina's R2:         0.165   Efron's R2:                      0.101
Variance of y*:                  1.197   Variance of error:               1.000
Count R2:                        0.710   Adj Count R2:                    0.087
AIC:                             1.181   AIC*n:                         472.413
BIC:                         -1896.232   BIC':                          -11.606
BIC used by Stata:             494.362   AIC used by Stata:             470.413

هدف این مقاله ارائه مدلی برای محاسبه رگرسیون Probit در STATA بود. برای تفسیر نتایج به مقالات نوشته شده در این زمینه با نرم افزار های دیگر و کتب اقتصاد سنجی مراجعه نمائید.



کلمات کليدي:


بازديد:
آموزش spss

نام و نام خانوادگي:

ايميل:
وبسايت:
شماره امنيتي:
پيام شما:


21/3/1391 - ساعت -1173/1/-596 حمید رضا
امکان دستیابی به مقاله آموزش اولیه نیست. با تشکر