回归是研究因变量Y对自变量X的依赖关系。当因变量Y为二值定类变量时,我们通常会选择使用logit回归,实际上还有一种方法是Probit回归。这两个区别在于模型中随机扰动项的先验服从什么分布:如果是正态分布就是probit模型,若为logistic分布就是logit模型。
1 概述
1.1 背景介绍
一般情况下,在我们研究的回归模型中,都隐含的假定了因变量(Y)是定量的,而解释变量(X)是定量、定性(或虚拟变量)。
当因变量(Y)为二值定性的情况:比如一个家庭是否拥有一所住房,如拥有 Y=1,不拥有 Y=0,则被称为线性概率模型。
当因变量为二值时,X 与 Y 的关系如图中的点:
要预测的值y为期望
令
1.2 线性概率模型
若用线性概率模型拟合因变量时,则会存在以下问题:
- 由于 E(Yi / Xi) 度量给定 X 事件下 Y 发生的概率,因此概率必须落在0与1之间,LPM无法保证的估计值落在 0 与 1 之间;
- 对于给定的 X,Y = 0 或Y= 1,因此所有的 Y 值必须落在 X 轴或者 Y=1 的一条直线上。而线性模型则无法很好的模拟这样的散点。
- 线性回归模型假定 Y 估计值随 X 而线性增加,即 X 的边际或临界效应(X连续增加的每一单位中所得到的Y增量)一直保持不变(一般边际效用是递减的)。
1.3 Logit模型
标准累计 Logistic 分布的函数:
建立 logit 与线性回归的关系:
可变换为
可解决上述线性概率模型的问题,可以很好的进行拟合。
1.4 Probit模型
当回归中因变量取 0 或 1 时,很容易使用 CDF(累计分布函数)取建立回归模型。当选用 logistic 时,称为logit模型;选用正态分布函数时,则是profit模型。
Logit模型是Logistic函数的累积概率函数,同样的,正态函数记为 �
Probit 变换与 Probit 回归模型如下:
对应的累计概率函数,即标准正态分布的累积概率函数:
如下图
绿色曲线为Probit,红色曲线为Logit,可见Probit模型与Logit模型很相似,可用于解决上面的二分类问题。
1.5 极大似然法估计参数
个体(非群组)数据的 Probit 模型的极大似然估计,假设我们对给定个人收入 X 的情况下估计一个人拥有住房的概率感兴趣,我们还假定这个概率可由 Probit 函数表示:
我们不能实际观测Pi,只能观测到结果 Y=1(有房)和 Y=0(无房)。
每个Pi都是一个伯努利随机变量,所以可写成:
假设我们有一个 n 次观测的随机样本。令fi(Yi)表示Yi=1或 0 的概率,观测到 n 个 Y 值的联合概率,即f(Y1,...,Yn)为:
每个 Yi 都是独立的,而且有相同的 logistic 密度函数,所以可以将联合密度函数写成个别密度函数的乘积。
我们对(1)取对数,便得到对数似然函数LLF:
2 案例介绍
根据员工满意度、月均工作小时、工伤事故、薪资水平四个影响因素(自变量)研究员工是否离职。
● 对于连续自变量的边际效应值的意义为:该自变量每增加一个单位,带来因变量的概率上升或下降多少百分比。
● 对于哑变量化的0-1分类自变量的边际效应值意义为:该变量每升高一个单位(即分类水平从0变为1),发生因变量的概率上升或下降了多少百分比。
员工满意度显著性 值为0.000***,水平上呈现显著性,拒绝原假设,因此员工满意度会对是否离职产生显著性影响,意味着员工满意度每增加一个单位,离职概率比不离职的几率增加或减少了62.581%。
5 注意事项
- 因变量 Y 是二分类变量
- 有至少1个自变量,自变量可以是连续变量,也可以是分类变量
- 每条观测间相互独立。分类变量(包括因变量和自变量)的分类必须全面且每一个分类间互斥
- 自变量之间无多重共线性
- 自变量中分类变量较多时,可考虑使用Logistic回归
- 当自变量中连续变量较多且符合正态分布时,使用Probit回归