SPSS-概率单位回归分析Probit回归 (随笔笔记)

probit回归：即概率单位回归，主要用来测试分析刺激强度与反应比例之间的关系，例如对于指定数量的病人，分析他们的给药剂量与治愈比例之间的关系，此方法运用的典型例子是分析杀虫剂浓度和杀死害虫数量之间的关系，并据此判定什么样的杀虫剂浓度是最佳的。在药学研究中，此方法常用于半数效应分析（Median effect dose），寻求达到50%输出响应的输入刺激量。

数学原理
同logistic回归分析中的logit变换类似，由于线性模型的限制，概率单位回归需要把取值分布在实数范围内的变量，通过函数转换成取值分布在（0,1）区间的概率值，常用的累计概率函数有两个：
1，logit概率函数的反函数

2，标准正态累计概率函数，

这两个函数图形很相似，取值都是在0和1之间。
从网上找了一张图

probit回归和logistic回归十分接近，当probit选择logit转换后，进行的统计分析就是logistic回归。
一般情况下，probit回归风使用与有计划的实验中获得的数据，而logistic回归更使用与直接的观测数据。输出结果上的差异也能说明他们的侧重点不同，probit回归输出对各种响应比例有效值的估计，而logistic回归输出对自变量的发生比（odds ratios）的估计。

---

案例：

如表，不同场所地点，采用不同的促销价格。对不同促销价格和对促销有响应反馈的顾客数量之间的分析。这是spss自带的数据文件。offer.sav。

数据要求和说明：

响应变量应该为计数信息，记录在指定的自变量条件下的观测个数
实测总值就是总数量，记录指定条件下的总数。图中即为促销的商品数，观测值必须是独立的。
因子因变量必须是分类变量，整数编码。在要比较不同环境或不同药物时选择。图中为促销地点，因为要比较不同促销地的成交量
协变量就是代表不同的实验刺激条件。不同的剂量或者不同的力度，本例为不同的促销价格
转换设置变量转换函数，当协变量与概率之间不存在线性关系时，需要选择对协变量的转换方式。
模型前者标准正态累计概率密度的反函数来转换，后者为logit变换

如下：
最终结果：

在不促销的情况下，响应人数比例4.1%。

---

结果显示，所有的参数估计量的显著性检验值都小于0.01，所以协变量和三个截距对方程都有显著意义。
参数估计可以写出估计的方程，这里比较三个不同的地点，所以有三个方程。下面会给出。

---

拟合优度卡方检验零假设为模型能很好的拟合数据，结果显著，不能拒绝原假设。
平行线检测通过，认为因素变量和各分组的回归方程具有相同的斜率。

---

置信限度表，给出了不同促销地点中，响应的概率和促销价格估算。当响应概率为0.500时，网上促销价格的半数响应估计值为46.518，货架和店铺的促销价格半数响应估计值为57.905和69.800.由此可见，网上促销更有效，而货架促销比店铺更有效。
为什么说更有效，这里得出的是，假如促销价格相同，都为60，那么哪一种方式响应的人数会更多，这时候一定是网上的响应人数更多。当然数据不能说明一切，价格也不可能无线低下去。所以还是具体问题具体分析。

---

转换后的促销价格和概率成线性分布，如果不成线性分布，考虑换一种转换方式。

---

上面说了三个公式，现在把公式写出如下：
网上：probit（p）= -7.219+1.88ln（促销价格）
货架：probit（p）= -7.613+1.88ln（促销价格）
店铺：probit（p）= -7.982+1.88*ln（促销价格）

上面说到网上半数响应的估计值为46.518，带入方程有
probit（p）= -7.219+1.88*ln（46.518）=-0.00010205
我们根据概率密度累计函数知道当x的值接近0时，y值接近为0.5 。表中的值就是这样算出来的对应关系。